Anna Gorska, Malgorzata Lukasik, Identyfikacja klastrow

Studia i Materiały. Miscellanea Oeconomicae
Rok 17, Nr 1/2013
Wydział Zarządzania i Administracji
Uniwersytetu Jana Kochanowskiego w Kielcach
Ludzie, zarządzanie, gospodarka
Anna Górska1, Małgorzata Łukasik2
IDENTYFIKACJA KLASTRÓW
– PRZEGLĄD WYKORZYSTYWANYCH METOD
1. Wstęp
Zjawisko powstawania klastrów nie jest nowe. Pierwsze prace na ten temat
opublikował Marshall w 1925 roku3. Analizował on interakcje zachodzące pomiędzy przedsiębiorstwami skoncentrowanymi geograficznie, rozwojem lokalnych
rynków oraz lokalnej siły roboczej, wskazując, że koncentracja tych czynników
sama w sobie jest czynnikiem sprzyjającym dalszej koncentracji. Obserwacje
Marshalla stanowiły punkt wyjścia do stworzonej przez Krugmana4 nowej geografii ekonomicznej, a także koncepcji klastrów przemysłowych rozwiniętej przez
Porter’a5. Rozwój klastrów przemysłowych, pojawienie się inicjatyw klastrowych
i polityka klastrów zaczęły cieszyć się coraz większym zainteresowaniem polityków, naukowców i przedsiębiorców6.
Zainteresowanie klastrami wynika z zaakceptowania poglądu, że klaster jest
formą organizacji produkcji o wysokim potencjale innowacyjnym, a tym samym
odgrywa kluczową rolę w kreowaniu konkurencyjności i rozwoju społecznogospodarczego. Porter7 uznał klastry za źródło budujące przewagę konkurencyjną
poszczególnych narodów. Stwierdzenie to jest podzielane obecnie przez rosnące
grono ekspertów, a analiza gospodarki regionalnej pod kątem występowania kla1
2
3
4
5
6
7
Dr Anna Górska, adiunkt, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie.
Dr Małgorzata Łukasik, GUS.
A. Marshall, Zasady ekonomiki, Wydawnictwo M. Arcta, Warszawa 1925.
P. Krugman, Increasing returns and economic geography, Journal of Political Economy, vol. 99,
1991.
M.E. Porter, The Competitive Advantage of Nations, New York, The Free Press, 1990.
M.J. Radło, Polityka wspierania klastrów – wyzwanie dla Polski, M.A. Weresa (red.), Polska.
Raport o konkurencyjności 2010. Klastry przemysłowe a przewagi konkurencyjne, Instytut Gospodarki Światowej SGH, Wyd. SGH, Warszawa 2010, s. 307.
M.E. Porter, The Competitive …, op.cit.
135
strów i dążenie do wspierania ich rozwoju stało się w ostatnim okresie swoistym
paradygmatem współczesnej polityki rozwoju regionalnego. Stąd też dużą popularnością cieszy się koncepcja tzw. cluster-based policy – polityki rozwoju klastrów czy polityki rozwoju opartej o klastry8.
2. Klastrering i inicjatywy klastrowe
Polskie słowo „klaster”9 pochodzi od języka angielskiego cluster i oznacza
grupę podobnych przedmiotów znajdujących się blisko siebie. W aspekcie ekonomicznym słowo klaster po raz pierwszy zostało użyte przez Porter’a. Według
jednej z najczęściej stosowanych definicji, która jest jednocześnie definicją zaproponowaną przez Porter’a, klaster to „geograficzne skupisko wzajemnie powiązanych firm, wyspecjalizowanych dostawców, jednostek świadczących usługi, firm
działających w pokrewnych sektorach i związanych z nimi instytucji w poszczególnych dziedzinach, konkurujących między sobą, ale również współpracujących.
Klaster jest ściśle związany z terytorium, na którym działa, jest zakorzeniony regionalnie. Klastry stanowią specyficzną formę organizacji produkcji, polegającą
na koncentracji w bliskiej przestrzeni elastycznych przedsiębiorstw prowadzących
komplementarną działalność gospodarczą. Podmioty te równocześnie współpracują i konkurują między sobą, posiadają także relacje z innymi instytucjami działającymi w danej sferze. Podstawą powstania klastra są kooperacyjne powiązania
występujące pomiędzy podmiotami, generujące procesy powstawania specyficznej
wiedzy oraz zwiększające zdolności adaptacyjne.”10
Klaster to także przestrzenna koncentracja sektorów przemysłu, które dzięki
wspólnej lokalizacji na danym obszarze osiągają wyższy poziom wydajności11.
Jeszcze inaczej, klaster to regionalna aglomeracja firm i innych organizacji powiązanych sektorowo bądź powiązanych łańcuchem wartości dodanej, uzyskujących
przewagę konkurencyjną dzięki kolokalizacji oraz współpracy12.
Obok klasycznej już definicji Porter’a i podanych powyżej, w literaturze
przedmiotu funkcjonuje wiele różnorodnych definicji klastra. Większość z nich za
najważniejszy wyznacznik klastra uznaje trzy podstawowe czynniki: koncentrację
na określonym obszarze współzależnych przedsiębiorstw działających w tym samym bądź pokrewnych sektorach przemysłu lub usług13; interakcje i funkcjonalne
8
Identyfikacja potencjalnych klastrów na bazie analizy struktury gospodarki województwa pomorskiego, Instytut Badań nad Gospodarką Rynkową, Gdański 2008.
9
W polskiej literaturze ekonomicznej angielskie słowo cluster tłumaczone jest również jako „grono”. Słowo cluster oznacza grupę podobnych rzeczy wzrastających bądź trzymających się razem,
grupę ludzi lub rzeczy znajdujących się blisko siebie.
10
Powyższą delicję klastra podaje także PARP.
11
P.B. Doeringer, D.G. Terkla, Business strategy and cross-country clusters, “Economic Development Quarterly” 1995, 9.
12
M. Fromhold-Eisebirth, G. Eisebirth, How to institutionalize innovative clusters? Comparing
explicit top-down and implicit bottom-up approaches, Research Policy 34 (8), 1250-1268.
13
L. Mytelka, F. Farinelli, Local clusters, innovation systmens and sustained competitiveness. Paper
prepared for the meeting on Local Productive Clusters and Innovation Systems in Brazil: new industrial and technological policies for their development, Rio de Janeiro 2000. M.J. Enright, Re-
136
powiązania pomiędzy firmami14; ponadsektorowy wymiar klastra obejmującego
swym zasięgiem zarówno horyzontalnie jak i wertykalne powiązania15. Niektórzy
autorzy zwracają uwagę na duże znaczenie czynników społecznych i kulturowych
dla sprawnego przepływu informacji w klastrze16. Definicje te jednak w sposób
bardzo zróżnicowany akcentują niektóre elementy determinujące budowę klastra:
charakter innowacji, kierunek i siłę powiązania w ramach łańcuchów produkcyjnych, przepływ wiedzy i technologii, bliskość geograficzną17, specjalistyczną infrastrukturę, wykwalifikowaną siłę roboczą czy usługi wspierające18. Uwzględniając te czynniki, klaster może być rozumiany jako przestrzennie skoncentrowane
skupisko przedsiębiorstw – jednocześnie konkurujących i kooperujących ze sobą
w pewnych aspektach działalności oraz instytucji i organizacji, powiązanych rozbudowywanym systemem wzajemnych relacji o formalnym i nieformalnym charakterze opartych na specyficznej trajektorii rozwoju (np. technologia, rynki zbytu
itd.)19.
Obok pojęcia klastra pojawia się pojęcie inicjatywy klastrowej, która jest świadomym, zorganizowanym przedsięwzięciem, mającym na celu w sposób bardziej
usystematyzowany wpływać na potencjał rozwoju danego klastra. W inicjatywie
zaangażowani są kluczowi gracze danego klastra – przedstawiciele sektorów gospodarczego, naukowego, publicznego.
3. Klastry w Polsce
W Polsce działa ok. 70 klastrów. Klastry te reprezentują zarówno branże wysoce innowacyjne (jest to 15 klastrów, działających m.in. w sektorze informatyki,
lotnictwa, ekoenergetyki), średnio innowacyjne (19 klastrów zajmujących się
m.in. hotelarstwem i turystyką) oraz nisko innowacyjne (13 klastrów m.in.
z sektora budownictwa, poligrafii, branży drzewnej / meblarskiej). Ponad 60%
z nich to są tak zwane klastry tradycyjne, które zrzeszają przedsiębiorców z jednego regionu (np. Klaster Bieliźniarski z Podlasia, Klaster Owocowo-Warzywny
z woj. łódzkiego). W niektórych klastrach zrzeszone firmy ściśle współpracują
z lokalnymi uczelniami czy ośrodkami badawczymi (np. Neutribiomed).
gional Clusters: What we know and what should we know, paper prepared for the Kiel Institute International Workshop on Innovation Clusters and Interregional Competition, Kilonia 12-13 November 2001.OECD, Local partnership, cluster and SME globalization, Bologna 2000. .A. Rosenfeld, Bringing Business Clusters into the Mainstream of Economic Development, “European Planning Studes” 1997, 5(1).
14
P.B. Doeringer, D.G. Terkla, Business strategy… op.cit.
15
P.B. Doeringer, D.G. Terkla, Business strategy…op.cit., S.A. Rosenfeld, Bringing Business Clusters… op.cit.
16
S.A. Rosenfeld, Bringing Business Clusters… op.cit., A.L. Saxenian, Regional advantage: culture
and competition in Silicon Valley and Route 128, Harvard University Press, Massachusetts 1994.
17
D. Jacobs, A.P. DeMan, Cluster, industrial policy and firm strategy: a menu approach, “Technology Analysis and Strategic Management” 1996, 8(4).
18
S.A. Rosenfeld, Bringing Business Clusters… op.cit.
19
T. Brodzicki, S. Szultka, Koncepcja klastrów a konkurencyjność przedsiębiorstw, Instytut Badań
nad Gospodarką Rynkową, Organizacja i Kierowanie, nr 4(110), Warszawa 2002.
137
W Polsce największymi klastrami są: Dolina Lotnicza – 80 firm zatrudniających łącznie ok. 22 tys. osób; Life Science – 30 firm, 77 tys. osób; Neutribiomed –
35 firm, 3,5 tys. osób oraz Małopolski Klaster Technologii Informacyjnych – 20
firm, 23 tys. osób.
Rysunek 1. Rozmieszczenie klastrów i inicjatyw klastrowych na terenie Polski
Źródło: http://www.pi.gov.pl/PARP/data/klastry/index.html.
„Dotychczas nie zidentyfikowano w jednoznaczny sposób czynników determinujących powstawanie klastrów w określonych lokalizacjach. Do uwarunkowań
sprzyjających należą m.in. uwarunkowania historyczne, dostępność zasobów naturalnych, bliskość rynków zbytu, dostępność kadry naukowej. Za zaczątek klastra
można uznać powstanie pierwszych firm o powiązanym rodzaju działalności na
danym obszarze. Następnie dołączają dostawcy, powstają nowe miejsca pracy.
Tworzy się wyspecjalizowany rynek pracy, charakterystyczny dla powstałej działalności. Dotychczasowi imitatorzy podejmują własną działalność gospodarczą,
powstają nowe podmioty oferujące swoje usługi dla firm z branży. Tworzenie się
wzajemnej współpracy wykraczającej poza stricte relację typu dostawca-odbiorca,
ale również mającej na celu powstanie nowych produktów i usług przyczyniających się do tworzenia „wysokiej” wartości dodanej jest ostatnim etapem tworzenia
i stanowi dowód, że dany klaster już istnieje i funkcjonuje”20.
20
www.mg.gov.pl
138
4. Metody identyfikacji klastrów
Badacze analizujący struktury klastrowe są zgodni, co do oceny korzyści, jakie
wynikają dla lokalnej, regionalnej czy narodowej gospodarki z funkcjonowania
klastrów przemysłowych.
Do identyfikacji i badania klastów nie ma jednej powszechnie uznanej i akceptowanej metodologii. Badania empiryczne struktur klastrowych napotykają na
problem znacznego zróżnicowania tych metod badawczych, co prowadzi do trudności przy porównywaniu funkcjonowania i konkurencyjności różnych klastrów.
W badaniach wykorzystywane są różne metodologie dostosowane do: po pierwsze
poziomu geograficznego (lokalny, regionalny, sektorowy), na którym bada się
klastry, po drugie od dostępnych danych (zarówno statystycznych jak i jakościowych).
Przy identyfikacji klastrów można wykorzystać dwie grupy metod: jakościowe
i ilościowe. Do pełnej analizy klastrów należy użyć kombinacji tych metod21. Pośród metod jakościowych możemy wyróżnić: wywiady eksperckie, badania (ankiety), case studies. Do metod ilościowych można zaliczyć: współczynnik lokalizacji (location quotient), współczynnik Giniego, wskaźnika Hannah-Hirschmana,
a także współczynniki koncentracji przestrzennej: indeks Ellisona i Glaesera
oraz Maurela i Sedillota, które są m.in. kombinacją wspomnianych wcześniej
wskaźników, oraz analizę przesunięć udziałów (shift-share analysis), a także analizę przepływów międzygałęziowych input-output22.
Poniżej prezentujemy niektóre z wymienionych wskaźników.
4.1. Współczynnik lokalizacji LQ23(location quotient)
Współczynnik (równanie) lokalizacji jest najpopularniejszym narzędziem wykorzystywanym w analizowaniu klastów oraz potencjalnych struktur klastrowych.Wskaźnik ten jest miarą koncentracji działalności na obszarze badanym
w odniesieniu do obszaru referencyjnego. Zakłada on jednakowy poziom produktywności w obszarze referencyjnym oraz ujednoliconą lokalną konsumpcję.
Wskaźnik ten pozwala na typowanie obszarów zajmowanych przez klastry powiązane wg wspólnego zasobu. Firmy w regionie o wyższej koncentracji badanego
J. Stejskal, Comparison of Often Applied Methods for Industrial Cluster Identification, International Conference on Development, Energy, Environment, Economics (DEEE '10), 2010, pp. 282286.
22
G. Ellison, E.L. Glaeser, Geographic concentration in U.S. manufacturing industries: A dartboard
approach. Journal of Political Economy 105, 1997, pp. 889-927. E.J. Feser, On the Ellison-Glaeser
geographic concentration index, Discussion Paper, University of North Karolina, 2000; F. Maurel, B. Sedillot, A measure of the geographic concentration in French manufacturing industries,
Regional Science and Urban Economics 29, 1999, pp. 575-604. M. Žižka, Quantitative methods of
identification of industry clusters, In Proceedings of 28th International Conference on Mathematical Methods in Economics 2010. České Budějovice: University of South Bohemia in České
Budějovice, 2010, pp. 700-705.
23
Wskaźnik LQ był wykorzystywany m.in. przy analizie potencjału województwa warmińskomazurskiego pod względem powstania nowych inicjatyw klastrowych w regionie (Raport 2009).
21
139
zasobu niż krajowa są potencjalnymi uczestnikami klastrów. Wskaźnik lokalizacji
oblicza się według wzoru:
LQ =
E ibt / E bt
E irt / E rt
gdzie:
Eib – zmienna w sektorze i, w obszarze badanym b, w danym okresie t,
Eb – zmienna we wszystkich sektorach w badanym obszarze b, w danym okresie t,
Eir –zmienna w sektorze i, w obszarze referencyjnym r, w danym okresie t,
Er –zmienna we wszystkich sektorach w obszarze referencyjnym r, w danym okresie t.
Wartość LQ>1,25 oznacza, że w obszarze badanym znajduje się więcej firm
zarejestrowanych w danej sekcji, niż średnio w obszarze referencyjnym. Firmy te
mogą tworzyć klaster.
4.2. Współczynnik Giniego GC (Gini Coefficient)
Współczynnik Giniego24 pozwala jednoznacznie ocenić siłę koncentracji badanego zjawiska, jak również porównać koncentrację kilku zjawisk. Współczynnik
GC dany jest wzorem:
GC =
1
2
N
∑ (u
n−1
+ un ) g n −
n=1
1
2
gdzie:
un – skumulowany odsetek np. zatrudnionych w i-tej branży w regionie n
gn – odsetek np. zatrudnionych w i-tej branży w regionie n.
Współczynnik ten przyjmuje wartości z przedziału [0; 0,5]. Im jego wartość
jest bliższa 0,5 to możemy mówić o dużej koncentracji danego zjawiska na określonym obszarze.
4.3. Wskaźnik Herfindahla-Hirschmana HHI
Wskaźnik HHI (Herfindahl-Hirschman Index) jest podstawową i najczęściej
stosowaną miarą koncentracji rynku25. Określa szacunkowy poziom zagęszczenia
w danej branży oraz poziom konkurencji na danym rynku. Wskaźnik ten jest uniwersalną miarą koncentracji rynkowej. Współczynnik ten określony jest wzorem:
S. Barrios, L. Bertinelli, E. Strobl, A.C. Teixera, Agglomeration Economies and the Location of
Industries: A Comparison of Three Small European Countries, Working Paper 2004. M. Žižka,
Quantitative…, op.cit.
25
S. Barrios, L. Bertinelli, E. Strobl, A.C. Teixera, Agglomeration Economies... op.cit.; G. Ellison,
E.L. Glaeser, Geographic concentration..., op.cit; M. Žižka, Quantitative..., op.cit.
24
140
N
HHI = ∑ u i2
i =1
gdzie:
ui – udział wartości badanej cechy dla i – tego obiektu w łącznej wartości badanej
cechy, n – liczba analizowanych obiektów.
Wartość tego wskaźnika może znajdować się w zakresie od 1/n (gdzie n to
liczba przedsiębiorstw na danym rynku), w przypadku konkurencji doskonałej, do
1 w przypadku monopolu. Spadek indeksu HHI implikuje spadek siły producentów i wzrost konkurencyjności, a wzrost indeksu analogicznie odwrotnie.
4.4. Indeks Ellisona i Glaesera
Ellison i Glaeser26 zaproponowali indeks przestrzennej koncentracji (Ellison
and Glaeser geographic concentration index) wykorzystując współczynnik Giniego i wskaźnik HHI.
Dla poszczególnej gałęzi przemysłu można go wyrazić wzorem:
γi
∑ (s
=
c
ic
( ∑ x )H
− xc ) 2 − 1 −
(1 −
∑
x2 )
c c
2
c c
i
(1 − H i )
gdzie:
Gi = ∑c ( sic − xc ) 2 – przybliżony współczynnik Giniego,
sic – udział np. zatrudnienia w i-tej gałęzi przemysłu na obszarze c,
xc – udział łącznego zatrudnienia w przemyśle na obszarze c,
H i - klasyczny wskaźnik Herfindahla-Hirschmana.
Umownie przyjmuje się, że jeśli wartość indeksu γ i jest mniejsza od 0 to dana
działalność jest rozproszona po całym kraju i nie może być mowy o jakiejkolwiek
geograficznej koncentracji, natomiast jeśli z przedziału 0-0,02 to możemy mówić
o bardzo słabej koncentracji danej branży, z przedziału 0,02-0,05 to o średniej
koncentracji, powyżej 0,05 – silnej geograficznej koncentracji i o możliwości istnienia klastra.
4.5. Indeks Maurela i Sédillota
Indeks Maurel-Sédillot27 podobnie jak w przypadku indeksu Ellisona i Glaesera, uwzględnia koncentrację gałęziową wyrażoną wskaźnikiem HHI. Indeks ten
jest dany wzorem:
26
27
G. Ellison, E.L. Glaeser, Geographic concentration..., op.cit.
F. Maurel, B. Sedillot, A measure of the…, op.cit.
141
γi
∑ s − ∑ x − (1 − ∑ x )H
=
(1 − ∑ x ) (1 − H )
2
c ic
2
c c
2
c c
2
c c
i
i
Gdy pojedyncze przedsiębiorstwa w obrębie danej branży przemysłu są przypadkowo rozproszone po terytorium całego kraju to wartość tego wskaźnika będzie wynosić zero. Jeżeli wartość wskaźnika jest różna od zera to jest to spowodowane wyłącznie koncentracją (skupiskiem) w obrębie danej branży przemysłowej wyrażoną HHI.
Interpretacja wartości indeksu zaproponowanego przez Maurela i Sédillota jest
analogiczna jak w przypadku indeksu Ellisona i Glaesera.
4.6. Analiza przesunięć udziałów (Shift-share analysis)
Analiza shift-share jest narzędziem ekonomicznym wykorzystywanym do badania zmian gospodarczych w regionie poprzez dekompozycję trzech składowych:
potencjału badanego obszaru (PO) na tle rozwoju obszaru referencyjnego; struktury przedsiębiorstw (SP) badanego obszaru; konkurencyjności (KO) badanego obszaru.
Zmiennymi dekomponowanymi mogą być zatrudnienie, dochód, wartość produkcji, ludność lub inne czynniki ekonomiczne. Analiza shift-share jest, wg niektórych, jedną z najtrafniejszych i najczęściej stosowanych technik do badania
poziomu rozwoju danego obszaru (np. powiatu) na tle poziomu rozwoju obszaru
referencyjnego (np. województwa).
W klasycznej postaci wzór analizy shift-share można zapisać:
PC = PO + SP + KO
t
t
t
PC = ∑ E g + ∑ E ( g − g ) + ∑ E ( g − g )
ib r
ib ir
r
ib ib
ir
gdzie:
PC - przesunięcie całkowite,
Eib - zmienna w sektorze i, w badanym obszarze b, w danym okresie t,
gr - wskaźnik zmiennej w całym przemyśle w obszarze referencyjnym,
gir - wskaźnik zmiennej w przedziale czasowym w sekcji i w obszarze referencyjnym r,
gib - wskaźnik zmiennej w przedziale czasowym w sekcji i w badanym obszarze b.
Komponent PO mierzy oczekiwany wzrost zmiennej analizowanej (w przypadku badania klastrów może to być zatrudnienie w danej gałęzi przemysłu lub
liczba badanych podmiotów) przy założeniu, że obszar rozwija się na tym samym
lub podobnym poziomie rozwoju względem obszaru referencyjnego. Komponent
SP przedstawia wielkość zmian w obszarze badanym (w każdej sekcji) w odniesieniu do ogólnej tendencji rozwojowej tejże sekcji w obszarze referencyjnym.
Dodatnia wartość wskaźnika oznacza, że obszar badany rozwija się szybciej niż
142
obszar referencyjny i analogicznie ujemna wartość wskaźnika świadczy o słabszym poziomie rozwoju obszaru badanego w odniesieniu do obszaru referencyjnego. Komponent KO odzwierciedla różnice pomiędzy wskaźnikiem wzrostu na
obszarze badanym w stosunku do obszaru referencyjnego. Wskazuje on na wzrost
lub spadek zmiennej analizowanej, spowodowany pozycją konkurencyjną każdej
działalności w obszarze badanym.28
4.7. Metoda input-output
Metoda ta oparta jest na analizie powiązań pomiędzy sektorami. W tradycyjnym podejściu wykorzystuje się macierze przepływów produkcji. Metoda z wykorzystaniem tablic input-output polega na szacowaniu istotności powiązań między
gałęziami przemysłu z użyciem wskaźników produktochłonności produkcji.
Wykorzystanie tablic input-output pozwala na zidentyfikowanie zespołu gałęzi
przemysłu, w których potencjalnie działają klastry powiązane wertykalnie, według
łańcucha wartości (ponadgałęziowo). Kombinacja metod bazujących na współczynnikach lokalizacji oraz na tablicach input-output pozwala na wytypowanie
klastrów powiązanych zarówno zasobami jak i łańcuchem wartości. Do przeprowadzenia szczegółowej analizy klastrowej potrzebne są tablice z 3 i 4 cyfrowymi
kodami gałęzi. Także rzadkie występowanie tablic regionalnych nie pozwala na
ujęcie aspektu lokalizacji. Dlatego też, metodę tę wykorzystuje się w przypadku
badania powiązań między sektorami na poziomie całego kraju.
5. Zakończenie
Głównym wyznacznikiem występowania rzeczywistego klastra jest bardzo wysoki stopień koncentracji przestrzennej podmiotów gospodarczych, które działają
w danym sektorze i sektorach pokrewnych. Należy jednak pamiętać, że występowanie wysokiej koncentracji (wysokich współczynników lokalizacji) nie pociąga
za sobą istnienia klastra. Współczynniki lokalizacji mogą być wykorzystane tylko
do szybkiej orientacji istnienia potencjalnego klastra. Do pełnej identyfikacji klastrów istotne jest jeszcze uwzględnienie powiązań funkcjonalnych pomiędzy
podmiotami wchodzącymi w skład badanego klastra. Istotność takich powiązań
można badać wykorzystując tablice input-output – tablice przepływów międzygałęziowych oraz za pomocą wywiadów eksperckich.
Bibliografia:
1.
Barrios S., Bertinelli L., Strobl E., Teixera A.C., Agglomeration Economies and the
Location of Industries: A Comparison of Three Small European Countries, Working
Paper 2004.
28
Badanie konkurencyjności w poszczególnych sekcjach z wykorzystaniem analizy przesunięć udziałów była przeprowadzona m.in. dla powiatu giżyckiego względem obszaru referencyjnego tzn. województwa warmińsko-mazurskiego przez A. Kowalskiego (www.uwm.edu.pl/kastud/index
_pliki/page0005.html).
143
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
144
Brodzicki T., Szultka S., Koncepcja klastrów a konkurencyjność przedsiębiorstw,
Instytut Badań nad Gospodarką Rynkową, Organizacja i Kierowanie, nr 4(110), Warszawa 2002 (http://gnu.univ.gda.pl/~brod/koncepcja_klastrow.pdf).
Doeringer P.B., Terkla D.G., Business strategy and cross-country clusters, “Economic
Development Quarterly” 1995, 9.
Ellison, G., Glaeser E. L., Geographic concentration in U.S. manufacturing industries:
A dartboard approach. Journal of Political Economy 105, 1997, pp. 889-927.
Enright M.J., Regional Clusters: What we know and what should we know, paper
prepared for the Kiel Institute International Workshop on Innovation Clusters and Interregional Competition, Kilonia 12-13 November 2001.
Feser E.J., On the Ellison-Glaeser geographic concentration index, Discussion Paper,
University of North Karolina, 2000.
Fromhold-Eisebirth M., Eisebirth G., How to institutionalize innovative clusters?
Comparing explicit top-down and implicit bottom-up approaches, Research Policy 34
(8), 2005, pp. 1250-1268.
Jacobs D., DeMan A.P., Cluster, industrial policy and firm strategy: a menu approach, “Technology Analysis and Strategic Management” 1996, 8(4).
Krugman P., Increasing returns and economic geography, Journal of Political Economy, vol. 99, 1991.
Maurel F., Sedillot B., A measure of the geographic concentration in French manufacturing industries, Regional Science and Urban Economics 29, 1999, pp. 575-604.
Marshall A., Zasady ekonomiki, Wydawnictwo M.Arcta, Warszawa 1925.
Mytelka L., Farinelli F., Local clusters, innovation systems and sustained competitiveness. Paper prepared for the meeting on Local Productive Clusters and Innovation
Systems in Brazil: new industrial and technological policies for their development,
Rio de Janeiro 2000.
Porter M.E., The Competitive Advantage of Nations, New York, The Free Press, 1990.
OECD, Local partnership, cluster and SME globalization, Bologna 2000.
Radło M.J., Polityka wspierania klastrów – wyzwanie dla Polski, M.A. Weresa (red.),
Polska. Raport o konkurencyjności 2010. Klastry przemysłowe a przewagi konkurencyjne, Instytut Gospodarki Światowej SGH, Wyd. SGH, Warszawa 2010, s. 307.
Raport końcowy: Analiza potencjału województwa pod względem powstania nowych
inicjatyw klastrowych w województwie warmińsko-mazurskim, Olsztyn 2009.
Rosenfeld S.A., Bringing Business Clusters into the Mainstream of Economic Development, “European Planning Studes” 1997, 5(1).
Saxenian A.L., Regional advantage: culture and competition in Silicon Valley and
Route 128, Harvard University Press, Massachusetts 1994.
Stejskal J., Comparison of Often Applied Methods for Industrial Cluster Identification,
International Conference on Development, Energy, Environment, Economics (DEEE
'10), 2010, pp. 282-286.
Žižka M., Quantitative methods of identification of industry clusters, In Proceedings
of 28th International Conference on Mathematical Methods in Economics 2010. České
Budějovice: University of South Bohemia in České Budějovice, 2010, pp. 700-705.
Witryna internetowa Ministerstwa Gospodarki: www.mg.gov.pl
Witryna internetowa PARP: www.pi.gov.pl/PARP
Abstrakt:
W artykule zaprezentowano pojęcie klastra oraz inicjatywy klastrowej. Klastry
wzbudzają coraz większe zainteresowanie polityki regionalnej. Można zauważyć
wiele korzyści z funkcjonowania klastrów dla gospodarki regionu, a także korzyści funkcjonowania w klastrze przemysłowym dla samych przedsiębiorstw.
W zależności jakiego poziomu dotyczą analizy istnieje kilka procedur wykorzystywanych przy identyfikacji klastrów. Wszystkie są złożeniem metod jakościowych i ilościowych. Celem pracy jest próba prezentacji najczęściej wykorzystywanych na całym świecie metod do identyfikacji klastrów. Skupiono się przede
wszystkim na metodach ilościowych.
Identification of clusters – review of common used methods
In this paper we presented a definition of clusters and cluster initiatives. Clusters are very interesting for regional politics. We can observe a lot of benefits from
functioning of clusters not only for regional economy but also for enterprises from
industrial clusters. There are many procedures for cluster identification in literature. All the methods integrate in themselves some mechanisms from qualitative
and quantitative methods. The purpose of this paper is presentation of very common methods used for identification of clusters. In our article we concentrated on
quantitative methods.
PhD Anna Górska, assistant professor, Warsaw University of Life Sciences
(WULS – SGGW)
PhD Małgorzata Łukasik, Central Statistical Office.
145