عوامل جغرافیایی و اقتصادی مؤثر بر توزیع فضایی شرکت‌های خرد، کوچک و متوسط: مطالعه تجربی منطقه کویاوسکو-پومورسکی در لهستان

خلاصه

شرکت‌های کوچک، کوچک و متوسط (MSMEs) بخش مهمی از اقتصادها در سطوح ملی، منطقه‌ای و محلی هستند. درک عوامل تعیین کننده توسعه این بخش نه تنها برای محققان بلکه برای دولت های محلی نیز برای حمایت از توسعه این بخش جالب است. این مقاله شرکت های خرد، کوچک و متوسط را در gmina تجزیه و تحلیل می کندسطح (محلی) در یک منطقه، ناحیه کویاوسکو-پومورسکی (NUTS2) در لهستان. نویسندگان از رگرسیون خطی چند متغیره، اقتصادسنجی فضایی و درختان طبقه‌بندی برای مدل‌سازی تأثیر عوامل مختلف بر تعداد شرکت‌ها نسبت به اندازه جمعیت استفاده می‌کنند. نویسندگان دریافتند که مهم ترین عامل در همه موارد، مستقل از روش مورد استفاده، درآمد دولت محلی از مالیات بر درآمد شخصی سرانه است. این یافته همراه با عدم اهمیت متغیرهای مربوط به فاصله پارک های فناوری یا مناطق اقتصادی، نشان می دهد که بنگاه های اقتصادی منطقه عمدتاً برای مصرف محلی تولید می کنند و فاقد نوآوری هستند. نویسندگان همچنین تأثیر بافت فضایی را بر تعداد شرکت‌ها بررسی کردند. به نظر می رسد مهمترین عامل درصد مناطق ساخته شده باشد. اما بسته به نوع مدل، موارد دیگری نیز وجود دارد. این امر مجدداً ماهیت محلی فعالیت شرکت های خرد، کوچک و متوسط در منطقه را تأیید می کند. متغیرهای نشان دهنده بافت فضایی می توانند تعداد نسبی شرکت ها را با ضریب تعیین توضیح دهند (R² ) بین 0.30 و 0.45 که نشان می دهد این زمینه نقش نسبتاً مهمی در توسعه بخش MSME در منطقه داشته است. از سوی دیگر، مدل‌های اقتصادسنجی (که شامل همسایگی می‌شود) فقط برای شرکت‌های متوسط قابل توجه است (بهبود R2) به این معنی که شرکت‌های متوسط فعالیت خود را فراتر از محدوده محلی گسترش می‌دهند.

کلید واژه ها:

میکرو ; شرکت های کوچک و متوسط ؛ شرکت های کوچک و متوسط ؛ توسعه محلی ؛ داده های اداری ؛ توزیع فضایی ; بافت فضایی

1. معرفی

شرکت‌های کوچک، کوچک و متوسط (MSMEs) بخش مهمی از اقتصادها در سطوح ملی، منطقه‌ای و محلی هستند. آنها شغل ایجاد می کنند، فرصت های سرمایه گذاری ایجاد می کنند و پتانسیل اقتصادی مورد نیاز برای توسعه را توسعه می دهند. بنابراین، ادبیات به بررسی درک عوامل تعیین کننده توسعه این بخش پرداخته است. همانطور که توسط [ 1 ] تاکید شد، یک منطقه شکل‌گیری و انتقال سرمایه اجتماعی و همچنین بستر جغرافیایی را که از آن می‌توان به سرمایه اجتماعی دسترسی داشت، تسهیل می‌کند. موقعیت جغرافیایی نیز بر نابرابری فضایی در فعالیت اقتصادی تأثیر می گذارد [ 2 ].

تحولات نظری در جغرافیای اقتصادی جدید با هدف افزایش درک دیدگاه‌های فضایی و رشد اقتصادی است. در چارچوب آن، انتظار می‌رود که زیرساخت‌های نهادی موجود که به عنوان تراکم صنعت اندازه‌گیری می‌شود، بتواند سرریزهایی ایجاد کند که به توسعه کارآفرینی کمک کند. علاوه بر این، تنوع در شکل گیری شرکت در بین مناطق بیشتر از زمان است [ 3 ]. بوشما و فرنکن [ 4] توضیح داد که چگونه اقتصاد تکاملی ممکن است به درک جدید و پویاتر از موقعیت یک صنعت کمک کند. آنها به نقش جغرافیا و رفتار مکان شرکت به عنوان سیگنال های قیمت (نئوکلاسیک) و نهادهای خاص مکان به عنوان شرطی سازی محدوده رفتارهای ممکن (موقعیت) و مکان های بالقوه توجه می کنند، اما رفتار واقعی (مکان) و نتایج مکانی را تعیین نمی کنند. . این ناشی از چندین عامل است. اول، تمرکز جغرافیایی فعالیت‌های صنعتی می‌تواند اقتصادهای انبوهی را ایجاد کند که استارت‌آپ‌ها و نوآوری‌ها را تقویت می‌کند و احتمالاً تولد یک صنعت مرتبط در منطقه است. دوم، سطح رقابت را افزایش می دهد و باعث می شود خروج شرکت ها میانگین تناسب روتین ها را افزایش دهد. سوم، تمرکز فضایی شرکت ها نیز می تواند بر فرصت های کنش جمعی تأثیر بگذارد. نهادهای خاص مکان (دیدگاه نهادی) فقط دامنه رفتارهای ممکن و مکان‌های بالقوه شرکت‌ها را مشروط می‌کنند، اما رفتار و مکان واقعی تا حد زیادی توسط روال‌های سازمانی به دست آمده در گذشته تعیین می‌شود. تغییر این روال ها با نوآوری و جابجایی امکان پذیر است. در این مقاله، نویسندگان توزیع فضایی شرکت‌ها و عوامل تعیین‌کننده آنها را تحلیل می‌کنند. چنین تحلیلی به درک ویژگی‌های بخش MSME در منطقه کمک می‌کند، که می‌تواند از دستورالعمل‌های پیشنهادی برای توسعه بیشتر شرکت‌ها از جمله نوآوری آنها پشتیبانی کند. نهادهای خاص مکان (دیدگاه نهادی) فقط دامنه رفتارهای ممکن و مکان‌های بالقوه شرکت‌ها را مشروط می‌کنند، اما رفتار و مکان واقعی تا حد زیادی توسط روال‌های سازمانی به دست آمده در گذشته تعیین می‌شود. تغییر این روال ها با نوآوری و جابجایی امکان پذیر است. در این مقاله، نویسندگان توزیع فضایی شرکت‌ها و عوامل تعیین‌کننده آنها را تحلیل می‌کنند. چنین تحلیلی به درک ویژگی‌های بخش MSME در منطقه کمک می‌کند، که می‌تواند از دستورالعمل‌های پیشنهادی برای توسعه بیشتر شرکت‌ها از جمله نوآوری آنها پشتیبانی کند. نهادهای خاص مکان (دیدگاه نهادی) فقط دامنه رفتارهای ممکن و مکان‌های بالقوه شرکت‌ها را مشروط می‌کنند، اما رفتار و مکان واقعی تا حد زیادی توسط روال‌های سازمانی به دست آمده در گذشته تعیین می‌شود. تغییر این روال ها با نوآوری و جابجایی امکان پذیر است. در این مقاله، نویسندگان توزیع فضایی شرکت‌ها و عوامل تعیین‌کننده آنها را تحلیل می‌کنند. چنین تحلیلی به درک ویژگی‌های بخش MSME در منطقه کمک می‌کند، که می‌تواند از دستورالعمل‌های پیشنهادی برای توسعه بیشتر شرکت‌ها از جمله نوآوری آنها پشتیبانی کند. نویسندگان توزیع فضایی شرکت ها و عوامل تعیین کننده آنها را تجزیه و تحلیل می کنند. چنین تحلیلی به درک ویژگی‌های بخش MSME در منطقه کمک می‌کند، که می‌تواند از دستورالعمل‌های پیشنهادی برای توسعه بیشتر شرکت‌ها از جمله نوآوری آنها پشتیبانی کند. نویسندگان توزیع فضایی شرکت ها و عوامل تعیین کننده آنها را تجزیه و تحلیل می کنند. چنین تحلیلی به درک ویژگی‌های بخش MSME در منطقه کمک می‌کند، که می‌تواند از دستورالعمل‌های پیشنهادی برای توسعه بیشتر شرکت‌ها از جمله نوآوری آنها پشتیبانی کند.

علاوه بر این، [ 5] ادعا می کند که سرزمین ها را تنها زمانی می توان واحدهای مرتبط و معنادار نامید که ایده روال ها و صلاحیت ها از سطح سازمانی به سطح منطقه ای منتقل شود. این منطقه به خودی خود به یک نهاد تبدیل شده است که دارایی های نامشهود و غیرقابل تجارت را بر اساس دانش و پایگاه نهادی منحصر به فرد ارائه می دهد که برای شرکت های غیر محلی قابل دسترسی نیست. در مقاله، نویسندگان ساختار را در محلی‌ترین سطح شهرداری بررسی می‌کنند، که می‌تواند بینش بیشتری در مورد تنوع درون منطقه‌ای در ساختار شرکت ارائه دهد. تصویر لحظه ای از توزیع موجود MSMEها و میزان تأثیرپذیری آن از بافت فضایی و اقتصادی می تواند ما را در مورد عواملی که زمینه ساز ایجاد چنین ساختاری در گذشته بوده است آگاه کند، که با توجه به وابستگی مسیر مفروض، آن را نیز تحت تأثیر قرار می دهد. تحولات جاری

یک توضیح مهم در مورد توزیع فضایی شرکت‌های کوچک و متوسط، اقتصادهای بومی‌سازی هستند که از خوشه‌بندی فضایی فعالیت‌های اقتصادی در همان بخش یا صنایع مرتبط ناشی می‌شوند. همانطور که توسط [ 6 ، 7 ] نشان داده شده است، اقتصادهای بومی سازی، از جمله اثرات تراکم و شهرنشینی، ممکن است در توضیح الگوی فضایی در حال ظهور صنایع تعیین کننده باشند. به طور خاص، خوشه‌بندی شرکت‌های کوچک، شرکت‌های مرتبط، و ارتباط عرضه‌کننده/مشتری می‌تواند به ایجاد یک محیط مطلوب برای کارآفرینی تولید کمک کند. علاوه بر این، [ 8] استدلال می کنند که خوشه بندی فضایی هسته اصلی جغرافیای اقتصادی است و تأثیر نزدیکی و فاصله، نهادها و محیط های محلی را بر فرآیندهای اقتصادی برجسته می کند. خوشه‌های فضایی تنوع، مشاهده‌پذیری و مقایسه‌پذیری را القا می‌کنند، در حالی که در عین حال امکان افزایش تمایز را بدون دلسرد کردن تبادل دانش فراهم می‌کنند. آنها نشان می‌دهند که ویژگی‌های فضایی فرآیند یادگیری تعاملی و نوآوری می‌تواند نقطه عزیمت مثمر ثمری باشد نه تنها هنگام تجزیه و تحلیل تجمعات فضایی، بلکه زمانی که نوبت به تقویت مجدد تحقیقات در جغرافیای اقتصادی می‌رسد.

خوشه ها به دلیل مزایای مجاورت ظاهر می شوند. نزدیکی توسط [ 9]، که پنج بعد مجاورت (یعنی شناختی، سازمانی، اجتماعی، نهادی و جغرافیایی) را تحلیل می کند. ادعا می شود که نزدیکی جغرافیایی همراه با سطحی از نزدیکی شناختی برای انجام یادگیری تعاملی کافی است. نزدیکی جغرافیایی همچنین ممکن است شکل‌گیری و تکامل نهادها را تحریک کند، مانند هنجارها و عاداتی که ممکن است بر یادگیری و نوآوری تعاملی تأثیر بگذارد. نزدیکی بسیار کم منجر به عدم وجود عوامل خارجی فضایی می شود. با این حال، نزدیکی بیش از حد جغرافیایی ممکن است به فقدان باز بودن جغرافیایی منجر شود. این امر می تواند به ویژه در مورد شرکت های خرد و کوچک اعمال شود که منابع کمتری برای دستیابی به فراتر از زمینه فعالیت محلی دارند. به طور کلی، نزدیکی جغرافیایی ممکن است یادگیری بین سازمانی را تسهیل کند، اما نه شرط لازم و نه کافی است.

درجه شهرنشینی بر اقتصادهای بومی سازی تأثیر می گذارد. تجمعات فضایی مزیت های بومی سازی را از نظر سرریزها و همکاری بین شرکت ها ایجاد می کند. مزایای شهرنشینی از جمله هزینه های حمل و نقل کمتر و نزدیکی به تامین کنندگان و مشتریان است [ 10 ، 11 ، 12 ]. دسترسی به مشتریان را می توان با درجه شهرنشینی نزدیک کرد. یکی از ویژگی‌های مهم مرتبط با شهرنشینی، دسترسی به زیرساخت‌های حمل‌ونقل است که تأثیر بسزایی بر رشد شهری دارد [ 13 ].

اندازه شرکت نیز مهم است. شرکت‌هایی با اندازه‌های مختلف، هم از نظر ساختار بخشی و هم توانایی نوآوری، ویژگی‌های متفاوتی دارند. مطالعات نشان می دهد که رابطه منفی بین اندازه شرکت و تمایل کارکنان به کارآفرین شدن وجود دارد (به عنوان مثال، [ 14 ، 15 ، 16 ]). مرجع. [ 17] نشان می‌دهد که وقوع اثر شرکت کوچک ارتباط نزدیکی با هزینه‌های ورودی پایین در صنایعی دارد که معمولاً توسط شرکت‌های کوچک خوشه‌بندی می‌شوند. نه تنها شرایط ورود به صنعت شرکت‌های مادر کوچک تأثیر مثبت و قوی بر احتمال ورود کارآفرینانه کارکنان دارد، بلکه کارآفرینانی که توسط شرکت‌های کوچک تولید می‌شوند ترجیح زیادی برای شروع یک کسب‌وکار در همان صنعت کارفرمای قبلی خود نشان می‌دهند. علاوه بر این، شواهد در ادبیات نشان می دهد که بین اندازه شرکت و عملکرد نوآورانه ارتباط وجود دارد [ 18 ، 19 ، 20 ]]. در نهایت، شرکت‌های کوچک‌تر با موانع بیشتری نسبت به شرکت‌های بزرگ‌تر در زمینه تامین مالی، مالیات‌ها و مقررات، تورم یا شیوه‌های ضدرقابتی مواجه هستند. برای این موانع، شرکت های کوچک بزرگترین مشکلات را دارند و پس از آن شرکت های متوسط و بزرگ [ 21 ]. علاوه بر این، تجزیه و تحلیل [ 22 ] بر اساس اندازه شرکت نشان می دهد که ساختار صنعتی و سازمان شرکت بر مزایایی که از خوشه بندی در یک صنعت خاص ناشی می شود تأثیر می گذارد. این یافته با توجه به توزیع اندازه مؤسسات قوی‌ترین است. صنعت خود در موسسات کوچک جذابیت بسیار بیشتری برای افراد بالقوه جدید نسبت به سطح قابل مقایسه اشتغال در صنعت خود در موسسات بزرگتر دارد.

عوامل متعددی، چه در سطح منطقه ای و چه در سطح محلی، بر روند ایجاد شرکت های جدید، بقای آنها و ظرفیت نوآوری آنها تأثیر می گذارد. شواهد موجود در ادبیات نشان می دهد که از جمله این موارد، رشد جمعیت، درصد بالای سهم در جمعیت افراد با مهارت های مدیریتی و حرفه ای بالا، تمرکز شهری، ثروت خانوار و تقاضا است [ 23 ]. عوامل مساعد برای توسعه شرکت های کوچک و متوسط (SMEs) به صورت محلی متفاوت است. شواهد از فنلاند نشان می دهد که جوامع شهری و روستایی محیط های متفاوتی را برای توسعه شرکت فراهم می کنند، به ویژه با توجه به سرمایه انسانی، دسترسی به فناوری، تعداد شرکت های خوشه ای، و شدت همکاری مشترک [ 23 ].]. با این حال، در تحلیل خود از توسعه SMEها در بریتانیا، [ 24] نتیجه می گیرند که رشد کسب و کار تحت شرایط مختلف سرزمینی، از جمله سطوح مختلف رقابت و تقاضای بازار بین مناطق و تفاوت در ساختار شغلی و مهارتی بازار کار امکان پذیر است. بسیاری از شرکت های کوچک و متوسط در مناطق حاشیه ای ممکن است فعالانه برای توسعه استراتژی هایی برای غلبه بر این محدودیت ها کار کنند. بنابراین، یک نقطه ضعف اولیه ممکن است در نهایت به جای جلوگیری از رشد و عملکرد یک شرکت، منتفع شود. رشد شرکت‌های بومی در مناطق حاشیه‌ای ناشی از نقش‌های فعال و مستقل‌تر کارآفرینان و همچنین دولت‌های محلی در ایجاد یک محیط کارآفرینی دوست‌دار است. به نوبه خود، این می تواند به توسعه اقتصادی و اجتماعی مناطق محلی کمک کند [ 25 ، 26]. این ملاحظات همچنین می تواند در زمینه نقش شرکت های کوچک و متوسط در گذار اقتصادی در اروپای مرکزی و شرقی (CEE) قرار گیرد. در سال‌های اخیر، سه پیشرفت فضایی عمده وجود دارد که می‌توان در کشورهای CEE مشاهده کرد [ 27 ]. اول، تفاوت های فزاینده ای در توسعه بین مناطق مرکزی شهری وجود دارد که بهتر از مناطق روستایی پیرامونی توسعه می یابند. دوم، روندهای قوی به سمت قطبی شدن بین منطقه اصلی شهری آنها (معمولاً پایتخت ملی) و بقیه کشور وجود دارد. سوم، یک گرادیان شرق به غرب وجود دارد که بخش‌های غربی عملکرد بهتری نسبت به مناطق شرقی دارند، که توسط [ 28 ] نیز تأیید می‌شود. همانطور که توسط [ 29]، این خطر وجود دارد که توسعه فضایی بیشتر در تعداد کمتری از مناطق (کلان شهری) متمرکز شود، در حالی که بیشتر و بیشتر مناطق دیگر ممکن است تحت تأثیر فرآیندهای پیرامونی قرار گیرند. مرجع. [ 30 ] نشان می دهد که نابرابری های منطقه ای در کشورهای CEE قوی و پایدار است. مناطق ضعیف‌تر CEE معمولاً بخش عمده‌ای از پایگاه صنعتی خود را از دست دادند که در بخش‌های سرمایه‌بر بیشتر در معرض رقابت بین‌المللی قرار داشت. در نتیجه آنها بیشتر در معرض شوک های رکود هستند که با توجه به وضعیت همه گیر اخیر COVID-19 اهمیت بیشتری پیدا می کند. تجزیه و تحلیل مناطق غیر هسته ای در CEE توسط [ 31] نشان می دهد که پس از بحران مالی، افزایش تعداد SMEها، همراه با هزینه های قابل توجه تحقیق و توسعه و توسعه سرمایه انسانی، محرک های مهمی برای توسعه بودند. تجزیه و تحلیل در سطح درون ایالتی CEE انجام شده توسط [ 32 ] نشان می دهد که در حالی که اقتصادهای ایالتی با میانگین اتحادیه اروپا 15 پیش می روند، تنوع اقتصادی در حال رشد بین مناطق در کشورهای مورد مطالعه نیز وجود دارد (واگرایی داخلی). تجزیه و تحلیل [ 33] نشان می دهد که با پیروی از منحنی ویلیامسون، اختلاف بین مناطق در مراحل اولیه توسعه کمتر است، در مراحل با درآمد متوسط به اوج خود می رسد و با ثروتمند شدن یک کشور دوباره کاهش می یابد. سیاست های توسعه نباید به طور گسترده بر کل کشور متمرکز شود، بلکه باید ترجیحات و امکانات مناطق پیرامونی آنها را نیز در نظر بگیرد. برای این منظور، [ 34 ] نشان می دهد که در حین در نظر گرفتن سیاست های تحریک کسب و کار، هم کمیت و هم کیفیت راه اندازی شرکت های جدید باید در نظر گرفته شود.

عوامل تعیین کننده منطقه ای رشد SME ها نیز در لهستان بررسی شده است. بر اساس [ 35 ]، توسعه سرمایه انسانی، دستمزدها، بیکاری، فعالیت اقتصادی جمعیت و درآمدهای قابل تصرف برای توسعه SMEها ضروری است. مطالعه شرکت‌ها در جنوب لهستان نشان می‌دهد که دسترسی به ابزارهای مالی در سطح منطقه‌ای یک مانع اساسی برای توسعه شرکت است [ 36 ]. به طور همزمان، زیرساخت های فناوری اطلاعات، نزدیکی به بازارها، تامین کنندگان و همکاران مهم ترین عوامل تحریک کننده چنین توسعه ای هستند.

در این مقاله، نویسندگان بر تجزیه و تحلیل عوامل تعیین‌کننده محلی توزیع فضایی شرکت‌های خرد، متوسط و کوچک در منطقه Kujawsko-Pomorskie در لهستان تمرکز می‌کنند. این منطقه سال هاست که از توسعه اقتصادی سایر نقاط کشور عقب مانده است. ظرفیت نوآوری آن هم با در نظر گرفتن سرمایه انسانی و هم سرمایه گذاری در تحقیق و توسعه یکی از پایین ترین ها باقی می ماند [ 37 ]. با توجه به این چالش ها، این مقاله به عنوان بخشی از فعالیت های اقدام پژوهی با هدف یادگیری مشترک منجر به توسعه دانش و درک لازم برای طراحی سیاست های موثر با هدف تقویت رشد نوآورانه MSME در منطقه توسعه داده شد [ 38 ].] تحت چتر پروژه “REGIOGMINA” به رهبری مقامات منطقه ای. همانطور که توسط [ 39 ] بحث شد، انتخاب استراتژی جوجه کشی به ویژگی های مناطق محلی بستگی دارد. بنابراین، ارائه دانش در مورد تفاوت ها و شباهت های بین شهرداری های مختلف کمک مهمی به توسعه استراتژی منطقه ای است.

تعداد شرکت های کوچک، کوچک و متوسط به ازای هر 10000 نفر در سن کار در منطقه کویاوسکو-پومورسکی کمتر از میانگین ملی باقی مانده است ( شکل 1 ). در مورد شرکت‌های کوچک و متوسط، شکاف بین تعداد آنها و میانگین کشوری در سال‌های اخیر بیشتر شده است، در حالی که در مورد شرکت‌های کوچک، این شکاف ثابت مانده است. توزیع تعداد شرکت ها نامتقارن و میانگین تعداد شرکت ها در منطقه کمتر از حد متوسط است. در همان زمان، چندین gmina وجود دارد که تعداد شرکت ها به ازای هر 10000 نفر در سن کار کاملاً بالاتر از میانگین منطقه ای است. همانطور که [ 24 ] تأکید می‌کند، تحلیل دقیق چنین موارد «پارادوکسیکال» می‌تواند چشم اندازهای جدیدی را برای سیاست‌های منطقه‌ای و محلی باز کند.

همچنین در ساختار بخشی شرکت های کوچک و متوسط هم بسته به اندازه شرکت ها و هم در سطح شهرداری تفاوت هایی وجود دارد. در شرکت های بزرگتر، سهم صنعت بیشتر است. همچنین تنوع فضایی وجود دارد – یک شیب واضح بین سهام شرکت ها در صنعت و خدمات وجود دارد که به محل نیز بستگی دارد ( شکل 2 ).

تازگی رویکرد مؤلف سه گانه است. ابتدا تمرکز نویسندگان بر پایین ترین سطح اداری، gmina (به معنی شهرداری در بافت شهری یا کمون در بافت روستایی) به عنوان بازیگر اصلی در ایجاد یک محیط دوستانه برای انجام فعالیت های تجاری است [ 40 ].]. ثانیا، نویسندگان از یک پایگاه داده منحصر به فرد از شرکت های سطح محلی استفاده می کنند که از یک ثبت اداری به دست آمده است، یعنی پایگاه داده موسسه بیمه اجتماعی. بنابراین، نویسندگان از بهترین منبع اطلاعاتی ممکن در مورد فعالیت واقعی (و اشتغال) شرکت های خرد، متوسط و کوچک لهستان استفاده می کنند. علاوه بر این، نویسندگان از داده های سطح gmina از بانک داده های محلی آمار لهستان استفاده می کنند. ثالثاً، نویسندگان همچنین عوامل فضایی را برای توضیح تفاوت‌ها در توسعه MSMEs در منطقه Kujawsko-Pomorskie در نظر می‌گیرند. دو سوال اصلی تحقیق عبارتند از:

کدام عوامل بر توزیع فعلی بنگاه های خرد، کوچک و متوسط در منطقه تأثیر می گذارد؟
آیا عوامل فضایی در توضیح توسعه MSMEهای محلی در منطقه مهم هستند و آیا می توان آنها را با موفقیت در مدل های تحلیلی گنجاند؟

علاوه بر درک نظری عوامل تعیین‌کننده ساختار موجود شرکت‌های خرد، کوچک و متوسط، نویسندگان همچنین مناطق محلی را با سطوح بالاتر کارآفرینی نسبت به آنچه که توسط عوامل تحلیل‌شده توضیح داده شده است، شناسایی می‌کنند.

2. داده ها و روش ها

2.1. داده ها

ثبت موسسه بیمه اجتماعی منبع داده تعداد شرکت های خرد، کوچک و متوسط در گمینا است .مرحله. ما شرکت‌های خرد را به‌عنوان شرکت‌هایی تعریف می‌کنیم که 1 تا 9 کارمند دارند، کوچک به عنوان آن‌هایی که 10 تا 49 کارمند دارند و متوسط را آن‌هایی که 50 تا 249 کارمند دارند، تعریف می‌کنیم. کارکنان به عنوان کسانی شناخته می شوند که شرکت ها برای آنها سهم بیمه اجتماعی پرداخت می کنند. اطلاعات مربوط به تعداد شرکت های پرداخت کننده حق بیمه اجتماعی برای دسامبر 2018 در پروژه “REGIOGMINA” جمع آوری شده است. استفاده از ثبت اداری امکان شناسایی شرکت های فعال را بر اساس اشتغال واقعی آنها فراهم می کند. بنابراین، اطلاعات به موقع و دقیق در مورد اندازه بخش MSME و ساختار آن در سطح محلی ارائه می دهد. واحدهای تحلیلی gminas در منطقه Kujawsko-Pomorskie هستند. این انتخاب، انتخاب متغیرهای توضیحی را که در چنین تفکیک‌هایی در دسترس هستند، مجبور کرد.

متغیر پاسخ پذیرفته شده در همه روش‌ها، تعداد شرکت‌های کوچک، کوچک و متوسط بود (محاسبه به ازای هر 10000 نفر از ساکنان gmina – شکل 3 ).

ثبت سازمان بیمه های اجتماعی تعداد بنگاه ها را اعلام کرده است. نویسندگان از داده‌های رجیستری استفاده کردند، زیرا شامل اطلاعات به‌روز در مورد تعداد افرادی است که یک شرکت برای آنها در دسامبر 2018 حق بیمه پرداخت کرده است. این عدد با داده‌های ارائه‌شده توسط آمار لهستان متفاوت است: شرکت‌ها مرتباً به‌روزرسانی نمی‌کنند. بنابراین دومی تعداد بیشتری از شرکت ها را نشان می دهد.

متغیرهای توضیحی از منابع زیر می آیند:

داده های آماری لهستان، از جمله ویژگی های جمعیت و بازار کار و همچنین ثروت جامعه، با استفاده از درآمد مالیاتی به عنوان نماینده:

○

تعداد افراد در gminas، از جمله افراد در سنین قبل از تولید، تولید، و پس از تولید؛

○

تعداد بیکاران ثبت شده (کل، مردان، زنان)؛

○

تعداد بیکاران ثبت شده در هر 100 نفر (به دست آمده توسط نویسندگان)؛

○

درآمدهای خود gminas از مالیات بر درآمد شخصی (PIT) سرانه؛

○

کل هزینه های سرانه بودجه های محلی
داده‌های ارزیابی سیاست محلی حامی توسعه کارآفرینی، به‌دست‌آمده از [ 41 ].
داده‌های مقامات منطقه‌ای Kujawsko-Pomorskie: تعداد پروژه‌های حمایت‌کننده از توسعه کارآفرینی که از صندوق توسعه منطقه‌ای اروپا (ERDF) تامین می‌شود و میزان بودجه ارائه شده به این پروژه‌ها.
داده های مکانی اداره کل ژئودزی و کارتوگرافی از پایگاه داده های اشیاء توپوگرافی با سطح جزئیات 1:10000 در خصوص درجه شهرنشینی به ویژه. به دنبال [ 42 ، 43 ]، ما زیرساخت های حمل و نقل را با استفاده از تراکم جاده پروکسی می کنیم. ما همچنین ویژگی های پوشش زمین را در نظر می گیریم. بنابراین، نویسندگان شامل موارد زیر هستند:

○

پوشش زمین: مناطق ساخته شده (کلاس PTZB، یعنی پوشش زمین: ساخته شده)؛

○

پوشش زمین: مناطق کشاورزی (PTTR02، یعنی پوشش زمین: علفزار و کشاورزی زراعی).

○

پوشش زمین: باغات (PTUT03، پوشش زمین: کشت دائمی)؛

○

شبکه حمل و نقل: جاده ها (SKDR، یعنی مسیر حمل و نقل: جاده ها)؛

○

شبکه حمل و نقل: خطوط راه آهن (SKTR، یعنی شبکه حمل و نقل: یک راه آهن یا خطوط).

○

موقعیت شهرهای بزرگ (از کلاس ADMS، یک واحد تقسیم سرزمینی: یک شهر)؛

○

هندسه مناطق اداری (از کلاس ADJA، یک واحد تقسیم اداری).
داده های مکانی از منابع دیگر ( شکل 4 ):

○

محل شرکت های بزرگ در منطقه voivodship، به دست آمده با استفاده از رتبه بندی از بزرگترین شرکت ها در لهستان. همکاری با شرکت های بزرگ می تواند اهرمی ضروری برای افزایش پتانسیل شرکت های کوچکتر به ویژه در بعد نوآورانه (فناوری و سازمانی) باشد. شرکت‌های بزرگ به شرکت‌های کوچک‌تر نیاز دارند، زیرا چابک‌تر هستند و می‌توانند راه‌حل‌های نوآورانه‌ای را پیشنهاد کنند. شرکت‌های کوچک و متوسط اغلب بازارهای محلی را که روی آن تمرکز می‌کنند، بهتر می‌شناسند. MSME های تخصصی می توانند نیازهای متنوع و پیچیده کسب و کارهای بزرگ را برآورده کنند [ 44 ].

○

فاصله تا پارک های علم و فناوری، با استفاده از اطلاعات ارائه شده توسط وب سایت، “سرمایه گذاری در Kujawsko-Pomorskie” به دست آمده است. پارک های علم و فناوری پایگاهی را برای تجاری سازی تحقیقات علمی، همکاری های تحقیقاتی و انتقال دانش ایجاد می کنند که برای توسعه نوآوری و کارآفرینی شرکت های کوچک و متوسط ضروری است. این پارک ها، از جمله، پشتیبانی مدیریت، خدمات آموزشی، دسترسی به سرمایه مخاطره آمیز، مشاوره مالکیت معنوی و خدمات آزمایشگاهی را ارائه می دهند [ 45 ].

○

فاصله تا مناطق منطقه ویژه اقتصادی پامرانیا با استفاده از اطلاعات وب سایت آن به دست آمده است. مناطق ویژه اقتصادی ابزارهایی هستند که از بخش MSME حمایت می کنند. این مناطق شرایط مساعدی را برای فعالیت های تجاری و سرمایه گذاری خارجی تضمین می کنند. شرکت‌های خارجی که در SEZ فعالیت می‌کنند استانداردهای تجاری جدیدی مانند فناوری، تجربه در فرآیندهای تولید، ارتباطات تجاری و تمرین خوب در آموزش کارکنان را ارائه می‌کنند که برای توسعه بخش SME بسیار مهم است. آنها همچنین منبع اصلی فناوری های جدید آنها هستند [ 46 ].

○

فاصله تا مؤسسات آموزش عالی (HEI) (منبع: ثبت دادگاه ملی). HEI شرکای مهم اتحاد دانش شرکت های کوچک و متوسط در سطح منطقه ای هستند. آنها منبع دانش ضمنی برای شرکت های نوآور هستند [ 47 ].

○

محل خروجی های بزرگراه A1 (منبع: مدیر کل راه ها و بزرگراه های ملی): شبکه راه ها در سطح محلی برای توسعه اقتصادی در هر دو سطح محلی و منطقه ای حیاتی است، زیرا دسترسی یکی از عوامل اصلی تصمیم گیری در مکان یابی است. کسب و کارهای جدید [ 48 ]. در لهستان، همانطور که [ 49 ] مشخص شد، هر چه سرمایه گذاری در زیرساخت های حمل و نقل منطقه ای، از جمله جاده های ملی، منطقه ای و محلی مهم تر باشد، نتایج مالی و اقتصادی SME ها بیشتر قابل مشاهده است.

داده های مکانی به طور مستقیم استفاده نشد. آنها برای غنی‌سازی مستقیم مجموعه داده‌های gminas با ویژگی‌هایی که رسمی‌سازی بافت فضایی و روابط فضایی gmina یا در آن را تشکیل می‌دهند، مورد استفاده قرار گرفتند. در نتیجه، ویژگی های اضافی ایجاد شد که موارد زیر را برای هر gmina توصیف می کند:

درصد پوشش gmina با یک منطقه ساخته شده ( شکل 3 ).
درصد پوشش gmina با مناطق کشاورزی.
درصد پوشش گمینا با باغات.
تراکم شبکه راه ( شکل 3 ).
تراکم شبکه راه آهن
فواصل از نزدیکترین سازه های زیر:

○

بیدگوشز یا تورون (بزرگترین شهرهای منطقه با عملکردهای اداری – که در شکل 2 و شکل 3 به عنوان “شهرهای اصلی” نامیده می شود ).

○

یک شهر بزرگ دیگر،

○

بیدگوشچ، تورون یا شهر بزرگ دیگری،

○

دانشگاه،

○

یک شرکت بزرگ،

○

پارک فناوری،

○

یک منطقه اقتصادی،

○

ورودی/خروجی بزرگراه،

○

زیرساخت‌های کلیدی جاده‌ای (راه‌های ملی).

2.2. روش شناسی

مطالعه عوامل مؤثر بر تعداد MSMEها در یک gmina با استفاده از چندین روش انجام شد:

مطالعه همبستگی متغیرها
رگرسیون چند متغیره،
مدل های اقتصاد سنجی فضایی،
درختان طبقه بندی،

ابتدا، نویسندگان همبستگی هر متغیر توضیحی بالقوه را با تعداد شرکت های خرد، کوچک و متوسط به طور جداگانه بررسی کردند. از آنجایی که در مناطق پرجمعیت تر، تعداد شرکت های کوچک و متوسط به وضوح بیشتر است، نویسندگان در تحلیل خود از تعداد شرکت ها نسبت به جمعیت (یعنی به ازای هر 10000 نفر) استفاده کردند.

گام بعدی ایجاد مدل های رگرسیون چند متغیره کلاسیک از طریق دو روش بود:

انتخاب رو به جلو – شروع با یک مدل خالی و اضافه کردن متغیرهای توضیحی بیشتر، از متغیری که بیشتر بر مدل توضیح داده شده تأثیر می گذارد.
حذف به عقب – شروع با یک مدل با همه متغیرها و سپس حذف متغیرهای بعدی، شروع از متغیر با کمترین اهمیت.

متعاقباً بر اساس مجموعه متغیرهای تعریف شده برای رگرسیون، مدل‌های اقتصادسنجی فضایی . چنین مدل‌هایی به‌عنوان رگرسیون وزن‌دار جغرافیایی (GWR) نیز شناخته می‌شوند و به ما امکان می‌دهند ناهمگنی فضایی متغیرها را در تحلیل لحاظ کنیم. در مدل‌های رگرسیون کلاسیک، تأثیر همسایگی فضایی حذف می‌شود، اگرچه می‌تواند تأثیر قابل‌توجهی بر متغیر توضیح داده شده داشته باشد. GWR به ویژه در مدل سازی شاخص های اقتصادی (یعنی نرخ بیکاری [ 50 ]) استفاده می شود.

نویسندگان چهار مدل GWR ساخته‌اند که با توجه به نوع مدل و ماتریس وزن‌های مورد استفاده متفاوت است. در مورد نوع مدل:

یک مدل تاخیر فضایی – تأثیر متغیرهای توضیحی همسایگان را بر متغیر پاسخ فرض می‌کند.
یک مدل خطای مکانی – رابطه بین خطای مدل همسایگان را فرض می کند.

با توجه به روش تعیین ماتریس اوزان (تعریف محله) که تأثیر ارزش های شهرداری های خاص را بر یکدیگر تعیین می کند:

یک ماتریس مبتنی بر همسایگی – یک مرز مشترک بین gminas نشان می دهد که یک محله وجود دارد.
یک ماتریس مبتنی بر فاصله – درجه همسایه با فاصله بین gminas نسبت معکوس دارد.

در مطالعه همبستگی و در هر یک از مدل های رگرسیون و اقتصاد سنجی فضایی، نویسندگان از p-value = 0.05 به عنوان سطح معنی داری استفاده می کنند.

گام بعدی شامل ساخت مدل هایی است که تعداد شرکت های خرد، کوچک و متوسط را برای هر فرد توضیح می دهد، به ویژه gminas با استفاده از درختان طبقه بندی (انواع درخت طبقه بندی و رگرسیون، CART) [ 51 ، 52 ]. مزیت قابل توجه این نوع مدل این است که بر خلاف رگرسیون خطی یا اقتصاد سنجی فضایی مبتنی بر آن، هیچ فرض اولیه ای در مورد خطی بودن مدل وجود ندارد. همچنین امکان استفاده از متغیرهای توضیحی در سطوح مختلف اندازه گیری وجود دارد (متغیرهای استفاده شده در سطوح اسمی و ترتیبی به متغیرهای استفاده شده قبلی اضافه شدند).

با این حال، استفاده از درختان طبقه بندی نیاز به گسسته سازی متغیر پاسخ دارد. نویسندگان بر اساس روش طبقه‌بندی شکست‌های طبیعی جنکس، گسسته‌سازی را در سه کلاس (کم، متوسط، زیاد) تصمیم گرفتند. در حالی که این رویکرد منجر به از دست دادن محتوای اطلاعاتی داده ها می شود (“کاهش” سطح اندازه گیری)، خوانایی بالاتر و تفسیر ساده تری از مدل های ایجاد شده به این روش ایجاد می کند. نتایج به دست آمده را می توان در قالب چندین شرط منطقی IF-THEN ارائه کرد.

قبل از تعیین درختان، نویسندگان اعتبار پیش بینی کننده های موجود را با استفاده از آزمون کای اسکوئر برای ارزیابی نتایج بررسی کردند. پنج پیش‌بینی‌کننده مهم (که به طور مستقل برای هر مدل تعیین می‌شوند)، یک شرط نقطه شکست بر اساس شاخص جینی، و حداقل تعداد گره‌های 5 برای ساخت CART استفاده شد.

3. نتایج

3.1. همبستگی

جدول 1 نتایج همبستگی را نشان می دهد. برای هیچ یک از انواع شرکت‌ها، هیچ ارتباط معنی‌داری بین مساحت باغ‌ها، فاصله از شهرهای بزرگ (به استثنای شهرهای بزرگراه)، فاصله تا خروجی بزرگراه A1، زیرساخت‌های کلیدی جاده در منطقه کشاورزی، یا هزینه‌ها وجود نداشت. سرانه در gminas

قوی ترین همبستگی با متغیرهای پاسخ، درآمد خود gmina از PIT سرانه بود که نشان دهنده ثروت ساکنان یک gmina معین است. برای همه شرکت ها، همبستگی قوی و مثبتی بین درصد مساحت ساخته شده و تراکم شبکه راه وجود دارد. به طور غیر مستقیم، هر دوی این پارامترها سطح شهرنشینی یک gmina معین را نشان می‌دهند. همچنین به راحتی می توان متوجه شد که کمترین متغیرهای مهم برای شرکت های کوچک یافت شده است.

با این حال، باید توجه داشت که مقادیر همبستگی محاسبه شده به این روش فقط نشان دهنده رابطه (یا عدم وجود آن) بین جفت متغیرها است، بنابراین اطلاعات بسیار کلی و محدودی ارائه می دهد. نمی توان وجود روابط پیچیده تر را رد کرد، به عنوان مثال، ترکیبی از دو متغیر که همبستگی ناچیز با یک متغیر وابسته دارند، به طور قابل توجهی با آن ارتباط دارد. بنابراین، در بخش بعدی مطالعه، مدل‌های رگرسیون، اقتصادسنجی فضایی و درخت‌های طبقه‌بندی با استفاده از متغیرهای بیشتر به طور همزمان ایجاد شدند.

3.2. پسرفت

3.2.1. رگرسیون با متغیرهای توضیحی اقتصادی و فضایی

نویسندگان مجموعه‌ای از مدل‌های رگرسیون را با استفاده از روش‌های انتخاب رو به جلو و حذف به عقب بر اساس متغیرهای عددی فهرست شده در جدول 1 ایجاد کردند. جدول 2 خلاصه ای از نتایج به دست آمده را نشان می دهد.

به طور کلی، مدل هایی که با استفاده از روش انتخاب رو به جلو ایجاد می شوند، معمولاً دارای تعداد کمتری از متغیرهای مورد استفاده در مدل بودند (و در نتیجه ساده تر بودند). به طور همزمان، آنها فقط ضریب تعیین کمی کمتر داشتند و هیچ مشکلی با همبستگی متقابل متغیرهای توضیحی وجود نداشت. در عوض، مشکل ناهمگونی رخ داد، که نشان می دهد عواملی که توسط مدل توضیح داده نشده اند، تصادفی نیستند. مدل‌های شرکت‌های کوچک از این قاعده مستثنی بودند، در حالی که حذف معکوس یک متغیر توضیحی واحد را به همراه داشت.

این امکان وجود داشت که بیشترین تنوع (حدود 2/3) را برای شرکت های کوچکترین (خرد) تغییر توضیح داد. مدل‌ها برای شرکت‌های کوچک کمی بدتر هستند (تقریباً نیمی از تغییرپذیری)، در حالی که مدل‌های شرکت‌های متوسط دارای کمترین ضریب تعیین R2 بودند ⁽ با استفاده از اقتصادسنجی فضایی بهبود یافت – بخش 3.3 را ببینید ).

درآمد Gmina از مالیات بر درآمد شخصی نقشی حیاتی در تمام مدل‌های ساخته شده برای هر اندازه از شرکت ایفا کرد. با تعداد شرکت ها همبستگی مثبت داشت. درصد مساحت ساخته شده در gmina یکی دیگر از متغیرهای رایج بود. در مورد سایر متغیرها، مدل ها اغلب بر اساس اندازه شرکت و نحوه ایجاد یک مدل متفاوت هستند.

خطاهای استاندارد مدل‌های انتخاب آینده از 18 درصد از مقدار میانگین برای شرکت‌های خرد تا 26 درصد برای شرکت‌های کوچک تا نزدیک به 47 درصد برای شرکت‌های متوسط متغیر است. شکل 5 تعداد بنگاه ها را به ازای هر 10000 ساکن، پیش بینی شده بر اساس این مدل ها و باقیمانده های مدل های رگرسیونی به عنوان درصدی از ارزش مورد انتظار، نشان می دهد.

این نتایج جوامع محلی را مشخص می کند، جایی که اندازه نسبی گروه شرکت های تحلیل شده به طور قابل توجهی بالاتر یا پایین تر از سطح توضیح داده شده توسط مدل است. تجزیه و تحلیل بیشتر عوامل محلی ممکن است نشان دهد که کدام شرایط توسعه کارآفرینی را تسریع یا مانع می شود.

علاوه بر این، نویسندگان مدل‌های رگرسیون را صرفاً بر اساس متغیرهای مکانی انجام دادند. در نتیجه، می توان بررسی کرد که تا چه حد می توان تعداد بنگاه های اقتصادی نسبت به جمعیت را بدون مراجعه به داده های اقتصادی توضیح داد. نویسندگان از روش حذف معکوس استفاده کردند. جدول 3 نتایج را نشان می دهد.

شایان ذکر است که با وجود استفاده از حداقل مجموعه ای از متغیرهای خروجی، R ²ضریب حدود 1/3 کاهش یافته و بسته به اندازه شرکت بین 0.31 و 0.45 باقی می ماند. بنابراین، می توان این بخش از تنوع را تنها با تجزیه و تحلیل محیط فضایی یک gmina معین بدون اطلاعات توضیح داد – به عنوان مثال، بر اساس درآمد خود از سرانه PIT (اگرچه این مهم ترین همبستگی بود). همچنین توجه به تفاوت بین مدل ها برای اندازه های مختلف شرکت ها مهم است. برای شرکت های خرد و کوچک، تراکم شبکه جاده، فاصله تا تبادل بزرگراه (مثبت)، و تراکم شبکه ریلی (منفی) مرتبط بود. برای شرکت های متوسط، درصد مناطق ساخته شده و کشاورزی بود. مجاورت یک مرکز شهری بزرگ (از جمله شهرهای بزرگ) تأثیر مثبتی بر تعداد شرکت‌های کوچک و متوسط داشت.شکل 6 مقادیر پیش بینی شده توسط مدل ها را تنها بر اساس متغیرهای مکانی و باقیمانده های آنها به عنوان درصدی از مقدار پیش بینی شده نشان می دهد.

در تمام مدل‌های رگرسیون، پسماندهای منفی بسیار بزرگ‌تری نسبت به مدل‌های مثبت وجود داشت. باقیمانده های مثبت به ندرت از 50 درصد تعداد مورد انتظار شرکت ها فراتر می رفت (برای مدل های شکل 5 ، فقط برای شرکت های متوسط). در همان زمان، باقیمانده های منفی (یعنی دست کم گرفتن تعداد بنگاه های اقتصادی سرانه) بیشتر ظاهر شد و برخی از نقاط پرت شدید (تک) بیرون آمدند.

3.2.2. اقتصاد سنجی فضایی

برای اکثر مدل‌ها، مدل‌های اقتصادسنجی فضایی (هر دو تاخیر و خطا) معنی‌دار نبودند (صرف نظر از ماتریس همسایگی مورد استفاده). مدل‌های شرکت‌های متوسط یک استثنا بودند – در بیشتر موارد، بهبود پیش‌بینی مدل با استفاده از اطلاعات مربوط به همسایگی gmina (که قبلاً در جدول 2 و جدول 3 نشان داده شده‌اند ) امکان‌پذیر بود. در تمام موارد، مدل‌هایی که از ماتریس وزن‌ها بر اساس فاصله بین gmina استفاده می‌کردند کمی بهتر عمل کردند ( جدول 4 ، شکل 7 ).

شایان ذکر است که استفاده از مدل‌های اقتصادسنجی فضایی امکان افزایش ضریب R2 را برای شرکت‌های متوسط فراهم کرد: برای مدل‌های کامل – از 0.43 به حتی 0.50. برای مدل‌هایی که صرفاً بر اساس متغیرهای مربوط به محیط gmina هستند – از 0.39 تا 0.46.

آنچه جالب است، تأثیر متضاد (اما قابل مقایسه، از نظر قدرت) دو عامل است که بسیار مشابه به نظر می رسد: فاصله از شهرهای بزرگ (از جمله بیدگوشچ و تورون) و فاصله از دانشگاه ها. جالب است زیرا دانشگاه ها در بیدگوشچ و تورون هستند. با این حال، استفاده از متغیری که فاصله تا شهرهای بزرگ را در نظر می‌گیرد، به استثنای این دو مرکز (به‌جای دو متغیر که برعکس عمل می‌کنند)، تأثیر مطلوبی را به همراه نمی‌آورد – متغیر D_Cities در همه انواع ناچیز باقی می‌ماند.

3.3. طبقه بندی با استفاده از درختان طبقه بندی و رگرسیون (CART).

تعداد شرکت ها (خرد، کوچک و متوسط) به ازای هر 10000 نفر به عنوان متغیرهای پاسخ در مدل رگرسیون چند متغیره عمل کردند. برای به دست آوردن قابلیت مقایسه نتایج جمع‌آوری‌شده با درخت‌های نوع CART و تجسم نتایج رگرسیون خطی چند متغیره، از همان محدوده‌های محدوده برای تقسیم داده‌ها به سه کلاس استفاده شد ( جدول 5 ، شکل 3 ، شکل 4 ، شکل 5 ، شکل 6). و شکل 7 ). طبقاتی که به این شکل تعریف شده بودند، دارای برچسب کم، متوسط یا زیاد بودند.

هنگام توضیح تعداد شرکت های خرد، تجزیه و تحلیل اهمیت پیش بینی کننده ها ( شکل 8 ) نشان می دهد که موارد زیر در توضیح متغیر وابسته بسیار مهم هستند: درآمد خود gmina از سرانه PIT، فاصله از شرکت های بزرگ، تعداد ساکنان. در یک gmina داده شده، درصد مساحت ساخته شده و تراکم شبکه راه.

مدل CART توسعه یافته تنها از سه مورد از این متغیرهای تصمیم گیری استفاده می کند و تفسیر آن آسان است. به عنوان مثال، ویژگی های شناسه برگ = 6 ( شکل 9 و شکل 10) (غلبه gminas با تعداد زیادی از شرکت های خرد نسبت به تعداد ساکنان) به این معنی است که اگر درآمد خود از PIT سرانه در این gmina بالاتر از 175.2 یورو باشد، کارآفرینی (خرد) در یک gmina بالا است. (746.8 PLN – ما از نرخ ارز متوسط از سال 2018 استفاده کردیم که 1 PLN = 4.2617 یورو است) و فاصله از شرکت های بزرگ کمتر از 23.6 کیلومتر است. این داده ها نتایج حاصل از تحلیل رگرسیون را تایید می کنند. آنها همچنین نقش شرکت‌های بزرگ را در توسعه کارآفرینی در سطح خرد نشان می‌دهند که با نتایج حاصل از ادبیات مطابقت دارد.

شکل 11 نتایج طبقه بندی انجام شده توسط درخت تصمیم CART را نشان می دهد. شکل 10 همچنین شماره برگ درخت CART را نشان می دهد که برای طبقه بندی gminas خاص استفاده می شود. توزیع فضایی نتایج CART مشابه با طبقه بندی خبرگان منبع است ( شکل 3 را ببینید ). با این حال، باید تأکید کرد که ارزش افزوده استفاده از درخت تصمیم، تخصیص gminas های خاص به شناسه برگ CART است که توضیح نتایج طبقه بندی را امکان پذیر می کند ( شکل 10 ). هاچور ( شکل 11) نشان دهنده gminas طبقه بندی نادرست است. 43 چنین gminas وجود دارد که نشان دهنده 29.9٪ است. این خطا از گنجاندن تنها سه متغیر توضیحی در درخت تصمیم ناشی می شود. در کلاس‌های تصمیم‌گیری فردی، مقادیر جدول 6 را در نظر می‌گیرد .

یک مدل مشابه با استفاده از درخت های تصمیم گیری CART برای شرکت های کوچک توسعه داده شد ( شکل 12 و شکل 13 ). در این مدل، همانند طبقه‌بندی شرکت‌های خرد، متغیر توضیحی غالب، درآمد خود gmina از سرانه PIT است. دومین متغیر مستقل نشان دهنده اهمیت فاصله از شرکت های بزرگ واقع در منطقه Kujawsko-Pomorskie است که ممکن است شرکت های کوچک و متوسط با آنها همکاری کنند. در این مدل، درخت CART تنها با استفاده از دو متغیر مستقل ایجاد شد. بنابراین، مدل حاصل حتی ساده‌تر و قابل تفسیرتر از مدل برای شرکت‌های خرد است. ( شکل 13 )

نتایج به‌دست‌آمده از طبقه‌بندی انجام شده توسط درخت تصمیم کامل CART نشان می‌دهد که:

اگر درآمد حاصل از مالیات بر درآمد شخصی به ازای هر نفر در این واحد بالاتر از 192.1 یورو باشد، کارآفرینی در یک gmina معین بالا است (برگ 7).
اگر درآمد شخصی از سرانه PIT در این واحد کمتر از 102.8 یورو و فاصله از شرکت های بزرگ کمتر از 15.7 کیلومتر (برگ 4) باشد یا درآمد بیشتر از 102.8 یورو باشد (البته کمتر) کارآفرینی در یک gmina معین متوسط است. از 182.1 یورو (برگ 6)؛
اگر درآمد شخصی از سرانه PIT در این واحد کمتر از 103.0 یورو باشد، و فاصله از شرکت های بزرگ بیشتر از 15.7 کیلومتر باشد، کارآفرینی در یک gmina معین کم است (برگ 5).

شکل 11 نتایج طبقه بندی انجام شده توسط درخت تصمیم گیری CART را برای شرکت های کوچک نشان می دهد. به لطف تجسم نتایج توزیع فضایی، می توان نتایج طبقه بندی را مقایسه و ارزیابی کرد و در عین حال به بیشترین تعداد شرکت های کوچک پیش بینی شده توسط مدل در بخش مرکزی منطقه، بین بیدگوشچ و تورون اشاره کرد.

تعداد gminaهایی که به اشتباه طبقه بندی شده اند 46 عدد است که 31.9٪ را نشان می دهد (توزیع خطا در بین کلاس ها – جدول 6 ). نتایج پیش‌بینی بیش‌ازحد قابل‌توجهی از gminas مقدار متوسط در رابطه با طبقه‌بندی خبره منبع (92 gminas در رابطه با 68) و underflow در رابطه با مقادیر gminas «کم» (23 در رابطه با 41) نشان می‌دهد. شایان ذکر است که طبقه بندی کننده CART به اصطلاح خطاهای “فحش” را ایجاد نمی کند. هیچ یک از gminas که در طبقه بندی تخصصی به عنوان “کم” تعریف شده اند به عنوان “بالا” یا بالعکس طبقه بندی نشده اند.

در نهایت، مدل طبقه‌بندی gminas در رابطه با تعداد شرکت‌های متوسط در هر 10000 نفر برآورد شد. در این مورد، جدا از درآمد خود از سرانه PIT، کلید توضیح متغیر وابسته، تراکم جاده است. تراکم ساخته شده؛ و نوع گمینا – شهری، شهری – روستایی یا روستایی. ( شکل 14 )

نتایج مدل نشان می‌دهد که درآمد پایین از سرانه PIT به تعداد کم شرکت‌های متوسط در gmina تبدیل می‌شود. از سوی دیگر، درآمد بالا از سرانه PIT (بیش از 112.8 یورو برای هر نفر) و سطح بالای شهرنشینی gmina (اندازه گیری شده با درصد منطقه ساخته شده بالای 7.2٪) به معنای تعداد بیشتری از شرکت ها است. ( شکل 15 )

نتایج به‌دست‌آمده نشان‌دهنده دست کم‌گرفتن قابل‌توجهی توسط درخت تصمیم CART از تعداد gminas با سطح بالایی از توسعه کارآفرینی در شرکت‌های متوسط است (17 در مقایسه با 28 به‌دست‌آمده در طبقه‌بندی تخصصی) و مازاد بر gminas طبقه‌بندی شده در ” سطح متوسط» (75 در مقایسه با 59). اساساً باید روی دست کم گرفتن توسعه کارآفرینی توسط مدل CART در منطقه مرکزی منطقه نزدیک بیدگوشچ و منطقه شمالی تمرکز کرد ( شکل 11 را ببینید.). مدل CART بر اساس تعداد قابل توجهی از متغیرهای توضیحی – یکی که تراکم شبکه جاده‌ها، فاصله از شرکت‌های بزرگ در این منطقه و تعداد ساکنان گمیناها را در نظر می‌گیرد – تقریباً 60 درصد بهبود کیفیت را به همراه دارد. طبقه بندی به قیمت دو برابر شدن پیچیدگی مدل تصمیم گیری.

4. بحث

از تعداد قابل توجهی از مدل‌های رگرسیون تعمیم‌یافته، نویسندگان از سه مدل استفاده کردند – یعنی یک مدل رگرسیون خطی چند متغیره، مدل‌های رگرسیون وزن‌دار مکانی (مدل‌های اقتصادسنجی فضایی)، و درخت‌های طبقه‌بندی غیرخطی CART. استفاده از مدل های رگرسیون متنوع، اعم از پارامتری و ناپارامتریک، به دست آوردن نتایج متنوع تری را ممکن می سازد. هدف از تحقیق انجام شده ارزیابی کفایت یا اثربخشی مدل‌های مختلف برای رگرسیون تعمیم‌یافته نیست، بلکه تجزیه و تحلیل توسعه کارآفرینی MSME در منطقه Kujawsko-Pomorskie است. نتایج به‌دست‌آمده نشان می‌دهد که می‌توان یک مدل نسبتاً قابل اعتماد برای برآورد سطح توسعه کارآفرینی ایجاد کرد که حتی 2/3 از تغییرپذیری در پدیده را توضیح می‌دهد. با استفاده از مدل‌های ساده رگرسیون خطی چند متغیره و چندین متغیر توضیحی (برای شرکت‌های خرد). در برخی مدل‌ها، توزیع فضایی پدیده از طریق ماتریس وزن فضایی، امکان افزایش چند درصدی مقدار ضریب تعیین R را فراهم می‌کند.² . امکان به دست آوردن نتایج مشابه با استفاده از مدل های غیر پارامتری – به عنوان مثال، مدل های رگرسیون غیر خطی CART وجود دارد. این مقاله تنها به استفاده از چنین مدل‌های طبقه‌بندی محدود می‌شود، بنابراین ایجاد مدل‌های مفهومی ساده را تسهیل می‌کند که تمایز فضایی توسعه کارآفرینی را در یک منطقه‌ای ساده توضیح می‌دهد. به لطف درختان طبقه بندی CART، نه تنها استخراج متغیرهای تصمیم حیاتی برای درک امکان پذیر بود، بلکه به طور صریح قوانین تصمیم را فرموله کرد.

تجزیه و تحلیل های انجام شده همبستگی قابل توجهی را بین سطح توسعه کارآفرینی، اندازه گیری شده توسط تعداد شرکت ها در هر 10000 نفر، و درآمد خود gminas از PIT سرانه نشان می دهد.

درآمد خود Gmina از سرانه PIT یک نماینده برای درآمد خانوارها در سطح محلی است و منعکس کننده تقاضای بالقوه مصرف کننده است. این نتیجه می تواند نشان دهد که شرکت های خرد، کوچک و متوسط در منطقه به یک خوشه سلسله مراتبی نسبتاً پایین تعلق دارند که بر تولید برای مصرف محلی متمرکز شده است، به دنبال گروه بندی پیشنهادی [ 53 ].]. آنها شرکت های کوچک و متوسط در کشورهای در حال توسعه را به سه گروه تقسیم می کنند. در پایین ترین سطح، شرکت های کوچکی قرار دارند که برای مصرف محلی تولید می کنند. شرکت‌های رده متوسط (از لحاظ سرمایه و مهارت) از توان بهتری برخوردار هستند و می‌توانند مازاد سرمایه‌گذاری ایجاد کنند و به طور مستقیم یا به صورت قراردادی برای بازارهای داخلی و اغلب صادراتی تولید کنند. رده سوم شامل شرکت های نوآور فنی است که کیفیت بالایی را حفظ می کنند، قادر به ورود به بازارهای صادراتی و آرزوی رشد هستند. آنچه همچنین سطح نسبتاً پایین توسعه این بخش را در منطقه مورد تجزیه و تحلیل تأیید می کند، عدم اهمیت متغیرهای مربوط به فاصله پارک های فناوری یا مؤسسات آموزش عالی است. علاوه بر این، طبقه‌بندی CART نشان داد که فاصله تا شرکت‌های بزرگ نسبت به تراکم شرکت‌های خرد و کوچک در سطح محلی قابل توجه است. در حالی که برای شرکت های متوسط قابل توجه نیست. بنابراین، این مؤید آن است که عوامل بومی مانند نیازهای مصرفی و همکاری بین این شرکت ها و بنگاه های بزرگ، تعیین کننده فعالیت بنگاه های خرد و کوچک است.

علاوه بر این، نویسندگان اهمیت قابل‌توجهی از متغیرهایی را مشاهده کردند که اساساً بافت فضایی را رسمیت می‌دهند، مانند، به عنوان مثال، درصد مناطق ساخته‌شده در gminas، تراکم شبکه جاده‌ها، یا فواصل تا برخی سازه‌ها. وجود چنین متغیرهایی در هر دو مدل اهمیت زمینه فضایی را برای توسعه کارآفرینی نشان می دهد. این امر ضروری است زیرا تحلیل های اقتصادی معمولاً این متغیرها را به گونه ای جامع شامل نمی شود. با این حال، این مطالعه نشان می دهد که هنگام تعیین امکانات توسعه کارآفرینی، باید ویژگی های فضایی یک منطقه را در نظر گرفت. از این رو،

روش دیگر در نظر گرفتن ماهیت مکانی داده ها استفاده از اقتصاد سنجی فضایی به جای مدل های رگرسیون کلاسیک است. این مدل‌ها هنگام برخورد با خودهمبستگی توزیع فضایی باقیمانده‌ها از مدل‌های رگرسیون کلاسیک کارآمد هستند (بنابراین، باقی‌مانده‌ها به طور تصادفی توزیع نمی‌شوند). در این تحقیق تنها بنگاه‌هایی که این پدیده برای آنها رخ داده، بنگاه‌های متوسط بودند و مدل‌های اقتصادسنجی فضایی برای آنها ساخته شد. این ممکن است به این دلیل باشد که فعالیت های تجاری شرکت های بزرگتر منطقه بزرگ تری را پوشش می دهد. بنابراین، محیط اطراف آنها در gminas همسایه تأثیر مهم تری بر مشاغل دارد، طبق طبقه بندی ارائه شده توسط [ 53]؛ شرکت های متوسط به گروهی تعلق دارند که محدوده ای فراتر از بازار محلی دارند. در همه موارد بهتر بود از ماتریس وزن ها بر اساس فواصل بین گمیناها استفاده شود نه بر اساس همسایگی آنها که موید این است که فضا و فاصله ضروری است نه تقسیمات اداری. این تجزیه و تحلیل مناطق بازار کار در لهستان را تأیید می کند که فراتر از مرزهای اداری شکل می گیرند [ 40 ، 54 ]. استفاده از مدل‌های اقتصادسنجی فضایی به جای مدل‌های رگرسیون کلاسیک برای شرکت‌های متوسط، ضریب R2 را افزایش داد ^و کیفیت مدل را در توضیح متغیر بهبود بخشید.

5. نتیجه گیری ها

نتایج ارائه شده در مقاله نشان می دهد که توسعه فضایی تا حد زیادی توسعه محلی شرکت های خرد، کوچک و متوسط را تعیین می کند. تعداد شرکت ها در سطح محلی به شدت با اندازه جمعیت همبستگی دارد. بنابراین، تجزیه و تحلیل بر تعداد نسبی شرکت ها در مقایسه با اندازه جمعیت متمرکز شد.

تجزیه و تحلیل نویسندگان نشان می دهد که نوع کارآفرینی مشاهده شده در منطقه Kujawsko-Pomorskie عمدتاً بر پاسخگویی به تقاضای مصرف کنندگان محلی و شرکت های بزرگ متمرکز است، زیرا شرکت های بیشتری در مناطقی وجود دارد که مالیات بر درآمد شخصی پرداخت شده بالاتر است، اما همچنین کسانی که فاصله کمتری با شرکت های بزرگ دارند. علاوه بر این، نتایج نشان می‌دهد که وجود پارک‌های فن‌آوری یا مناطق ویژه اقتصادی نقش مهمی در ساختار فعلی بخش MSMEs در منطقه Kujawsko-Pomorskie ندارد. این ممکن است نشان دهنده تمرکز شرکت های خرد، کوچک و متوسط بر مصرف محلی باشد. توسعه بیشتر این بخش مستلزم تأمین سرمایه و مهارت های مورد نیاز شرکت ها برای تولید در بازارهای وسیع تر (اعم از داخلی و خارجی) و در نهایت، به سمت سطح بالایی از نوآوری فنی با پتانسیل بالا برای رشد و رقابت بین المللی. بنابراین، سیاست‌های منطقه‌ای باید بر دسترسی به ابزارهای مالی و سرمایه‌گذاری در صلاحیت‌های نیروی کار فعلی و آینده، از جمله آموزش حرفه‌ای یا عالی که مهارت‌های نوآورانه را به رسمیت می‌شناسد، تمرکز کند.

نویسندگان همچنین تایید کرده اند که زمینه فضایی مهم است. مدل‌هایی که فقط شامل متغیرهای جغرافیایی هستند، سهم زیادی از واریانس مربوط به توسعه شرکت‌های خرد، کوچک و متوسط را توضیح می‌دهند. در مورد شرکت‌های خرد، با عوامل محلی همبستگی دارد، در حالی که در مورد شرکت‌های متوسط، بستر جامع‌تر (جغرافیایی) ضروری است.

در حالی که مدل های ارائه شده علیت را نشان نمی دهند، می توانند نظارت بیشتر بر بخش MSME را هدایت کنند. نتایج نشان می‌دهد که گروهی از جوامع وجود دارند که از توسعه سازمانی بسیار بالاتر یا بسیار پایین‌تری نسبت به مدل‌های پیشنهادی برخوردار هستند. این گمیناها باید بیشتر مورد تجزیه و تحلیل قرار گیرند (با استفاده از روش های کیفی) تا عواملی که باعث تحریک یا مانع توسعه کارآفرینی می شوند شناسایی شوند. این ممکن است چارچوب بندی سیاست های منطقه ای متمرکز بر توسعه MSMEs در منطقه کویاوسکو-پومورسکی را نشان دهد.

باید تاکید کرد که انجام تحلیل‌های جامع در مورد تمایز توزیع فضایی کارآفرینی در مناطق خاص منطقه کویاوسکو-پومورسکی نیازمند ادغام داده‌های توصیفی جمع‌آوری‌شده توسط مؤسسات مختلف و همچنین در نظر گرفتن اطلاعات محلی شده است. استفاده از پایگاه داده اشیاء توپوگرافی 10k BDOT و سایر منابع داده های مکانی (به عنوان مثال، مکان مناطق ویژه اقتصادی یا پارک های فناوری) غنی سازی داده ها را امکان پذیر کرد. غنی‌سازی داده‌های جدولی منبع با اطلاعات مکانی، به عنوان مثال، فاصله تا شهرهای اصلی منطقه، خروجی‌های بزرگراه و شرکت‌های بزرگ، به دست آوردن متغیرهای توضیحی اضافی در مدل‌های رگرسیون تعمیم‌یافته را امکان‌پذیر کرد. چه بیشتر،

مدل‌های رگرسیون تعمیم‌یافته توسعه‌یافته، و همچنین درخت‌های طبقه‌بندی، مزایای قابل‌توجهی نسبت به مدل‌های ناپارامتریک پرکاربرد دارند. مدل‌های رگرسیون خطی چند متغیره برای تفسیر و اعمال ساده هستند. آنها همچنین به گیرنده اجازه می دهند تا تأثیر عوامل خاص را بر مدل به طور شهودی تعیین کند. درخت‌های طبقه‌بندی CART که در این مقاله استفاده می‌شوند، استخراج خودکار قوانین تصمیم را امکان‌پذیر می‌سازند که تأثیر سلسله مراتبی پیش‌بینی‌کننده‌های خاص را بر مقدار متغیر وابسته توضیح می‌دهند. نتایج به‌دست‌آمده همچنین پتانسیل تحلیلی یک پایگاه داده یکپارچه را نشان می‌دهد که کارآفرینی را در منطقه کویاوسکو-پومورسکی به تصویر می‌کشد، و همچنین امکان داده‌کاوی بیشتر با انواع دیگر الگوریتم‌ها برای رگرسیون تعمیم‌یافته را نشان می‌دهد.

البته محدودیت های داده ای وجود دارد که باید در نظر گرفته شود. همانطور که در شکل 1 ارائه شده است ، در متغیرهای مشاهده شده نقاط پرت وجود دارد که بر نتایج تأثیر می گذارد، که در چنین تحلیلی اجتناب ناپذیر است. همچنین عوامل خاصی وجود دارند که بر توسعه MSME در مناطق خاص تأثیر می‌گذارند (یعنی شهرداری‌ها در مرز منطقه که تحت تأثیر مراکز محلی خارج از منطقه هستند)، که با هیچ نوع مدل رگرسیونی قابل توضیح نیست. علاوه بر این، در تجزیه و تحلیل، نویسندگان ویژگی‌های اضافی شرکت‌های کوچک و متوسط را در منطقه، مانند ساختار بخشی، که نیاز به بررسی بیشتر دارد، در نظر نگرفتند.

در نهایت، در مقاله نویسندگان نشان می‌دهند که ابزار اضافی داده‌های اداری برای بررسی ویژگی‌های محلی بخش MSME وجود دارد. مدل‌های ارائه‌شده را می‌توان به سایر مناطق لهستانی و همچنین به بافت وسیع‌تر CEE یا کشورهای اروپایی گسترش داد (به شرطی که داده‌های مشابه وجود داشته باشد). نویسندگان نشان می‌دهند که تفاوت‌هایی که بین مناطق در کشورهای CEE مشاهده می‌شود، همانطور که در ادبیات بحث شد، در داخل مناطق نیز مشاهده می‌شود، با پایتخت‌های منطقه‌ای توسعه‌یافته‌تر و عقب‌تر از شهرداری‌های پیرامونی. تقویت ظرفیت و نوآوری بخش MSME مستلزم طراحی سیاست هایی است که این تفاوت ها را در نظر بگیرد و استراتژی های توسعه MSME را با توجه به ویژگی های محیط محلی – اعم از اجتماعی-اقتصادی و فضایی طراحی کند.

منابع

کارلسون، سی. دالبرگ، آر. کارآفرینی، رشد شرکت و توسعه منطقه ای در جغرافیای اقتصادی جدید: مقدمه. اتوبوس کوچک اقتصاد 2003 ، 21 ، 73-76. [ Google Scholar ] [ CrossRef ]
آلن، تی. آرکولاکیس، سی تریت و توپوگرافی اقتصاد فضایی. QJ Econ. 2014 ، 1085-1139. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آرمینگتون، سی. Acs، ZJ عوامل تعیین کننده تنوع منطقه ای در تشکیل شرکت جدید. Reg. گل میخ. 2002 ، 36 ، 33-45. [ Google Scholar ] [ CrossRef ]
بوشما، RA; فرنکن، ک. چرا جغرافیای اقتصادی یک علم تکاملی نیست؟ به سوی یک جغرافیای اقتصادی تکاملی. جی. اکون. Geogr. 2006 ، 6 ، 273-302. [ Google Scholar ] [ CrossRef ]
بوشما، RA رقابت پذیری مناطق از دیدگاه تکاملی. Reg. گل میخ. 2004 ، 38 ، 1001-1014. [ Google Scholar ] [ CrossRef ]
بوشما، RA; ونتینگ، آر. تکامل فضایی صنعت خودرو بریتانیا: آیا مکان اهمیت دارد؟ شرکت هندی چانگ. 2007 ، 16 ، 213-238. [ Google Scholar ] [ CrossRef ]
گوا، کیو. او، سی. لی، دی. کارآفرینی در چین: نقش اقتصادهای بومی‌سازی و شهرنشینی. مطالعه شهری. 2016 ، 53 ، 2584-2606. [ Google Scholar ] [ CrossRef ]
مالمبرگ، ا. ماسکل، پی. مفهوم گریزان اقتصادهای بومی‌سازی: به سوی یک نظریه مبتنی بر دانش خوشه‌بندی فضایی. محیط زیست طرح. 2002 ، 34 ، 429-449. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بوشما، RA نزدیکی و نوآوری: ارزیابی انتقادی. Reg. گل میخ. 2005 ، 39 ، 61-74. [ Google Scholar ] [ CrossRef ]
کروگمن، پی. جغرافیا و تجارت . مطبوعات MIT: کمبریج، MA، ایالات متحده آمریکا، 1992. [ Google Scholar ]
آغیون، پ. هوویت، پی. مدلی از رشد از طریق تخریب خلاق. Econometrica 1992 ، 60 ، 323-351. [ Google Scholar ] [ CrossRef ]
Elert، N. چه چیزی ورود را تعیین می کند؟ شواهد از سوئد ان Reg. علمی 2014 ، 53 ، 55-92. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دورانتون، جی. ترنر، کارشناسی ارشد قانون اساسی تراکم جاده ها: شواهدی از شهرهای ایالات متحده. صبح. اقتصاد Rev. 2011 , 101 , 2616–2652. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
واگنر، جی. آیا شرکت های جوان و کوچک گرمخانه هایی برای کارآفرینان نوپا هستند؟ شواهدی از میکرو دیتای آلمان. Appl. اقتصاد Q. 2004 , 50 , 379-391. [ Google Scholar ]
دوبرو، اس دی؛ بارنت، نقش های سازمانی WP و انتقال به کارآفرینی. آکادمی مدیریت J. 2005 ، 48 ، 433-449. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گمپرز، پی. لرنر، جی. Scharfstein, D. Entrepreneurial Spawning: Public Corporations and the Genesis of New Ventures, 1986-1999. J. Finance. 2005 ، 60 ، 577-614. [ Google Scholar ] [ CrossRef ]
چن، جی. اثر شرکت کوچک و کیفیت کارآفرینان. آکادمی مدیریت Proc. 2012 ، 11180. [ Google Scholar ] [ CrossRef ]
گومز، سی ام. کروگلیانسکاس، آی. Scherer، FL اثر اندازه شرکت در عملکرد نوآورانه. جی. تکنول. مدیریت نوآوری. 2009 ، 4 ، 14-31. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مارتینز-روس، ای. Labeaga، JM رابطه بین اندازه شرکت و فعالیت نوآوری: یک رویکرد تصمیم گیری دوگانه. بین المللی J. Phytoremediat. 2002 ، 21 ، 35-50. [ Google Scholar ] [ CrossRef ]
Symeonidis، G. نوآوری، اندازه شرکت و ساختار بازار: فرضیه های شومپیتری و برخی مضامین جدید . مقالات کار گروه اقتصاد OECD; OECD: پاریس، فرانسه، 1996; جلد 161. [ Google Scholar ]
شیفر، ام. Weder، B. اندازه شرکت و محیط کسب و کار: نتایج نظرسنجی جهانی، بانک جهانی. 2001. در دسترس آنلاین: https://EconPapers.repec.org/RePEc:wbk:wbpubs:13988 (در 17 ژوئن 2020 قابل دسترسی است).
روزنتال، اس اس; عجیب، WC جغرافیا، سازمان صنعتی، و تجمع. کشیش Econ. آمار 2003 ، 85 ، 377-393. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ritsila، JJ تفاوت های منطقه ای در محیط برای شرکت ها. انترپ Reg. توسعه دهنده 1999 ، 11 ، 187-202. [ Google Scholar ] [ CrossRef ]
Vaessen، P. Keeble، D. SME های رشد محور در محیط های نامطلوب منطقه ای. Reg. گل میخ. 1995 ، 29 ، 489-505. [ Google Scholar ] [ CrossRef ]
Ribeiro-Soriano، D. کسب و کار کوچک و کارآفرینی: نقش آنها در توسعه اقتصادی و اجتماعی. انترپ Reg. توسعه دهنده 2017 ، 29 ، 1-3. [ Google Scholar ] [ CrossRef ]
والیر، دی. پیترسون، آر. کارآفرینی و رشد اقتصادی: شواهدی از کشورهای در حال ظهور و توسعه یافته. انترپ Reg. توسعه دهنده 2009 ، 21 ، 459-480. [ Google Scholar ] [ CrossRef ]
کومورنیکی، تی. چاپیوسکی، ک. اروپا XXI-14. مناطق مرکزی و پیرامونی در اروپای مرکزی و شرقی ؛ آکادمی علوم لهستان: ورشو، لهستان، 2006; جلد 39. [ Google Scholar ] [ CrossRef ]
ویدا، جی. دوداس، جی. زمینه جغرافیایی رقابت آشکار مناطق شهری در مجارستان به استثنای تراکم بوداپست. Geogr. پانونیکا 2017 ، 21 ، 179–190. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لانگ، تی. پاسخ های اجتماعی-اقتصادی و سیاسی به قطبی شدن منطقه ای و پیرامونی اجتماعی- فضایی در اروپای مرکزی و شرقی: یک دستور کار تحقیقاتی. آویزان شد. Geogr. گاو نر 2015 ، 64 ، 171-185. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سایکاریس، ی. کالیوراس، دی. پانتازیس، ص. نابرابری های منطقه ای در کشورهای اروپای مرکزی و شرقی: نقش منطقه پایتخت و مناطق کلان شهر. در توسعه اقتصادی و بازارهای مالی آخرین تحقیقات و بینش سیاست از اروپای مرکزی و جنوب شرقی ; Śliwiński, A., Karasavvoglou, A., Polychronidou, P., Eds. Springer Nature Switzerland AG: Cham، سوئیس، 2020؛ صص 3-20. [ Google Scholar ] [ CrossRef ]
Smętkowski، M. نقش عوامل برون زا و درون زا در رشد مناطق در اروپای مرکزی و شرقی: شکاف شهری/غیر شهری در دوران قبل و بعد از بحران. یورو طرح. گل میخ. 2018 ، 26 ، 256-278. [ Google Scholar ] [ CrossRef ]
کیسیالا، دبلیو. Suszyńska، K. رشد اقتصادی و نابرابری: تجزیه و تحلیل تجربی برای کشورهای اروپای مرکزی و شرقی. Equilibrium 2017 , 12 , 613-631. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Szörfi، B. توسعه و نابرابری های منطقه ای – آزمون فرضیه منحنی ویلیامسون در اتحادیه اروپا. ONB Focus 2007 ، 2 ، 100-121. [ Google Scholar ]
ون استل، ا. سادل، ک. تأثیر تشکیل شرکت جدید بر توسعه منطقه ای در هلند. اتوبوس کوچک اقتصاد 2008 ، 30 ، 31-47. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Łuczka، T. Przepióra، P. عوامل تعیین کننده منطقه ای رشد کارایی شرکت های کوچک و متوسط. شواهد از لهستان جی. انترپ. مدیریت نوآوری. 2012 ، 8 ، 138-154. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Wach، K. موانع منطقه ای و محرک های توسعه SMEs در جنوب لهستان. MPRA پاپ. 2007 . 31662. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آمار لهستان علم و فناوری در سال 2017 ; آمار لهستان: ورشو، لهستان; Szczecin، لهستان، 2019. [ Google Scholar ] [ CrossRef ]
مک گرات، اچ. O’Toole, T. مسائل مهم در طراحی تحقیق در پژوهش اقدام در زمینه توسعه SME. یورو جی. قطار. توسعه دهنده 2012 ، 36 ، 508-526. [ Google Scholar ] [ CrossRef ]
آترتون، ا. هانون، PD استراتژی های محلی برای حمایت از جوجه کشی: استراتژی های ناشی از یک مورد توسعه شرکت روستایی. J. اتوبوس کوچک. Enterp. توسعه دهنده 2006 ، 13 ، 48-61. [ Google Scholar ] [ CrossRef ]
آمار لهستان حوزه های بازار کار به عنوان یک رویکرد جایگزین ; آمار لهستان: ورشو، لهستان; بیدگوشچ، لهستان، 2019. [ Google Scholar ]
PwC. Analiza Sytuacji Społecznej Województwa ; پروژه Regiogmina: تورون، لهستان، 2020. [ Google Scholar ]
بورچفیلد، ام. Overman، HG; پوگا، دی. ترنر، MA علل پراکندگی: پرتره ای از فضا. QJ Econ. 2006 ، 121 ، 587-633. [ Google Scholar ] [ CrossRef ]
لی، دولت YS وام های کسب و کار کوچک و رشد منطقه ای را تضمین کرد. اتوبوس جی. ونتور. 2018 ، 33 ، 70-83. [ Google Scholar ] [ CrossRef ]
Cieślik، J. Współpraca Małego i Dużego Biznesu. Uwarunkowania و Dobre Praktyki. در انجمن Współpracy Małego i Dużego Biznesu ; ورشو، لهستان، 2017; در دسترس آنلاین: https://forumbiznesu-zpp.pl/wp-content/uploads/2018/01/kodeks.pdf (در 24 مه 2020 قابل دسترسی است).
Huczek، M. Parki naukowo-technologiczne a rozwój małych i średnich przedsiębiorstw. زسز ناوک. Wyższej Szkoły Humanit. Zarządzanie 2007 ، 2 ، 47-60. [ Google Scholar ]
موزکوویچ، ک. Bembenek، B. Potencjał technoparków jako kluczowy czynnik rozwoju klastrów w Polsce. Pr. ناوک. Uniw. Ekon. Wrocławiu 2018 ، 538 ، 244–261. [ Google Scholar ] [ CrossRef ]
هاگینز، آر. جانستون، الف. شبکه های دانش در یک منطقه غیررقابتی: نوآوری و رشد SME. رشد چانگ. 2009 ، 40 ، 227-259. [ Google Scholar ] [ CrossRef ]
پیترز، دی. Thisse, J.-F. توماس، I. شبکه های حمل و نقل و مکان فعالیت های انسانی. Geogr. مقعدی 2010 ، 30 ، 355-371. [ Google Scholar ] [ CrossRef ]
گرزیب، یو. Trzepacz، PZ سرمایه گذاری در زیرساخت های حمل و نقل به عنوان یک عامل حیاتی توسعه کارآفرینی در کشورهای عضو جدید اتحادیه اروپا – مورد لهستان. یورو یکپارچه سازی گل میخ. 2010 ، 6 ، 94-100. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Lewandowska-Gwarda، K. رگرسیون وزن‌دار جغرافیایی در تحلیل بیکاری در لهستان. ISPRS Int. J. Geo Inf. 2018 ، 7 ، 17. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
بریمن، ال. فریدمن، جی اچ. اولشن، RA; سنگ، CJ طبقه بندی و رگرسیون درختان ; چپمن و هال: لندن، بریتانیا، 1993. [ Google Scholar ]
ریپلی، بی. شناسایی الگو و شبکه های عصبی . انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 1996; شابک 0-521-46086-7. [ Google Scholar ]
نادوی، ک. اشمیتز، اچ. خوشه های صنعتی در کشورهای کمتر توسعه یافته: بررسی تجربیات و دستور کار تحقیقاتی. بحث IDS پاپ 1993 ، 339. موجود به صورت آنلاین: https://www.ids.ac.uk/publications/industrial-clusters-in-less-developed-countries-review-of-experiences-and-research-agenda/ (دسترسی در 24 مه 2020).
ریچکوفسکی، ام. Stopiński، P. مناطق بازار کار در لهستان. Przegląd Stat. 2018 ، 65 ، 350-368. [ Google Scholar ] [ CrossRef ]

شکل 1. تعداد شرکت های کوچک، کوچک و متوسط به ازای هر 10000 نفر در سن کار در منطقه کویاوسکو-پومورسکی، 2002-2018 (منبع: بانک داده های محلی، آمار لهستان).

شکل 2. توزیع بخشی از شرکت ها بر اساس اندازه شرکت و شهرداری (منبع: کار خود بر اساس داده های موسسه بیمه اجتماعی). ¹ طبقه بندی آماری فعالیت های اقتصادی در جامعه اروپا.

شکل 3. تعداد شرکت ها به ازای هر 10000 نفر در منطقه کویاوسکو-پومورسکی (منبع: کار شخصی بر اساس داده های موسسه بیمه اجتماعی و آمار لهستان).

شکل 4. متغیرهای انتخابی مشتق شده از داده های مکانی و مکان ساختارهای مهم تر (منبع: کار شخصی بر اساس منابع داده فهرست شده در متن، به ویژه BDOT10k).

شکل 5. نتایج مدل های انتخاب رو به جلو و باقیمانده از رگرسیون. مقیاس و محدوده رنگ برای تعداد پیش‌بینی‌شده شرکت‌ها با موارد موجود در شکل 2 (منبع: تجزیه و تحلیل خود) یکسان است.

شکل 6. نتایج مدل های هندسی و باقیمانده های رگرسیون. مقیاس و محدوده رنگ برای تعداد مورد انتظار شرکت ها مشابه شکل 2 است (منبع: تجزیه و تحلیل خود).

شکل 7. نتایج مدل های اقتصادسنجی فضایی و باقیمانده های رگرسیون (مدل تاخیر با ماتریس فاصله) (منبع: تحلیل خود).

شکل 8. نمودار معنی داری (بر اساس مجذور کای) برای متغیرها. یک متغیر وابسته در تعداد شرکت های خرد در هر 10000 نفر (منبع: تجزیه و تحلیل خود).

شکل 9. درخت طبقه بندی و رگرسیون (CART) برای شرکت های خرد (منبع: تجزیه و تحلیل خود).

شکل 10. تجسم پیش بینی مدل CART برای شرکت های خرد همراه با شماره برگ اختصاص داده شده به gminas، بهبود تفسیر حاصل از مدل (منبع: تجزیه و تحلیل خود).

شکل 11. نتایج طبقه بندی CART و خطاهای پیش بینی (منبع: تجزیه و تحلیل خود).

شکل 12. نمودار معنی داری (بر اساس مجذور کای) برای متغیرها. متغیر وابسته تعداد شرکت های کوچک به ازای هر 10000 نفر است (منبع: تحلیل خود).

شکل 13. درخت سبد خرید برای شرکت های کوچک (منبع: تجزیه و تحلیل خود).

شکل 14. نمودار معنی داری (بر اساس مجذور کای) برای متغیرها. متغیر وابسته تعداد شرکت های متوسط به ازای هر 10000 نفر است (منبع: تحلیل خود).

شکل 15. درخت سبد خرید برای شرکت های متوسط (منبع: تجزیه و تحلیل خود).

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی