Czasoprzestrzenne wzorce lokalizacyjne startupów technologicznych – RNN w prognozowaniu wewnątrzmiejskich klastrów startupów
2022-12-07
18:00
online
polski
Niewiele wiadomo na temat decyzji lokalizacyjnych startupów technologicznych na poziomie miasta. Podczas gdy ogólny trend przyciągania innowacyjnych przedsiębiorstw do terenów metropolitalnych jest dobrze znany i zgłębiony w literaturze, zdecydowanie słabiej zrozumiany jest temat mikrogeograficznych wzorców wewnątrz miast. Biorąc pod uwagę coraz większą liczbę badań, w których zauważa się silne wygaszanie przestrzenne efektów aglomeracyjnych (por. Andersson et al., 2016, 2019; Duranton & Puga, 2004; Ferretti et al., 2022), to właśnie analiza lokalizacji w skali mikrogeograficznej jest niezbędna do zrozumienia czy startupy technologiczne rzeczywiście czerpią z tych ograniczonych przestrzennie korzyści aglomeracji.
Badanie wzorca lokalizacji startupów technologicznych i jego ewentualnych zmian w czasie przeprowadzono na próbce startupów założonych w Warszawie. Oceniono, czy utworzony wzorzec lokalizacyjny jest spójny z ograniczonymi przestrzennie korzyściami aglomeracji. Dodatkowo, pokazano jak rekursywne sieci neuronowe (RNN) mogą pomóc w przewidywaniu lokalizacji klastrów startupów technologicznych. Wysoka skuteczność tego typu modelu jest osiągana nawet na podstawie krótkiego panelu danych. Przedstawiono w jaki sposób wdrożyć wymiar przestrzenny do modelu, aby zachować wydajność obliczeniową. Pokazano również jak tego typu rozszerzenie sieci poprawia jej wyniki, pozwalając modelowi „zrozumieć” relacje przestrzenne między sąsiednimi obserwacjami.
W empirycznej części pracy wykorzystano dane na temat lokalizacji startupów, które analizowano przy użyciu metody kernel density estimation. Celem tej metody było uzyskanie informacji o najintensywniej zagospodarowanych obszarach, a następnie użycie techniki DBSCAN, która pozwoliła na zidentyfikowanie dokładnych lokalizacji klastrów startupów. Wyniki pochodzące z DBSCAN oraz dane punktowe zostały później zagregowane do poziomu 1km x 1km siatki gridowej, dla przygotowania danych wejściowych do sieci neuronowych RNN. Wyniki z analizy empirycznej pokazują, że startupy technologiczne tworzą gęste skupienia na niewielkich obszarach wewnątrz miast. Ten wzorzec utrzymuje się mimo upływu lat, z niewielkimi odchyleniami, dotyczącymi dominacji trendu koncentracji lub rozproszenia. Wewnątrzmiejski wzorzec przestrzenny startupów technologicznych okazuje się być zgodny z efektami korzyści z aglomeracji, działającymi na niewielkich skalach przestrzennych, o których mówili Andersson et al., (2016 i 2019), Duranton i Puga (2004), oraz Ferretti et al., (2022).
Literatura:
Andersson, M., Klaesson, J., & Larsson, J. P. (2016). How Local are Spatial Density Externalities? Neighbourhood Effects in Agglomeration Economies. Regional Studies, 50(6), 1082–1095. https://doi.org/10.1080/00343404.2014.968119.
Andersson, M., Larsson, J. P., & Wernberg, J. (2019). The economic microgeography of diversity and specialization externalities – firm-level evidence from Swedish cities. Research Policy, 48(6), 1385–1398. https://doi.org/10.1016/j.respol.2019.02.003.
Duranton, G., & Puga, D. (2004). Micro-foundations of urban agglomeration economies. In Handbook of regional and urban economics (pp. 2063–2117). Elsevier.
Ferretti, M., Guerini, M., Panetti, E., & Parmentola, A. (2022). The partner next door? The effect of micro-geographical proximity on intra-cluster inter-organizational relationships. Technovation, 111, 102390. https://doi.org/10.1016/J.TECHNOVATION.2021.102390
PROWADZĄCY
PRELEGENCI
Maria Kubara
Analityczka danych
Szkoła Doktorska Nauk Społecznych UW, Wydział Nauk Ekonomicznych UW
Ekonomistka, regionalistka, analityczka danych. Doktorantka w SDNS w dyscyplinie Ekonomia i Finanse, absolwentka kierunku Data Science and Business Analytics na WNE UW. Wykorzystując wiedzę z ekonomii i regionalistyki opiera się na przekonaniu, że choć wszystkie naczynia w gospodarce są ze sobą połączone – te, które stoją blisko siebie, są ze sobą powiązane najmocniej. Łącząc przestrzeń rzeczywistą i cyfrową, prowadzi badania dotyczące wpływu lokalizacji na działalność startupów technologicznych. Wykorzystując metody data science pokazuje, jak zastosowanie nowych algorytmów może urozmaicić i poszerzyć wnioski pochodzące z tradycyjnych modeli ekonometrycznych. Laureatka nagrody Epainos oraz stypendystka programu Diamentowy Grant. Prywatnie eksploratorka swojej lokalnej przestrzeni z białą buldożką angielską.
prof. Piotr Wójcik
Wydział Nauk Ekonomicznych UW
Profesor na Wydziale Nauk Ekonomicznych Uniwersytetu Warszawskiego. Absolwent studiów ekonomicznych na Uniwersytecie Warszawskim oraz Katholieke Universiteit Leuven w Belgii. Naukowo zajmuje się analizami regionalnych nierówności i konwergencji oraz finansami ilościowymi (testowanie algorytmicznych strategii inwestycyjnych z wykorzystaniem historycznych notowań giełdowych). Oba obszary zainteresowań wiąże wykorzystanie zaawansowanych narzędzi ilościowych, w tym algorytmów uczenia maszynowego i tzw. Wytłumaczalnego Uczenia Maszynowego (eXplainable Artificial Intelligence – XAI). Autor i współautor licznych publikacji naukowych wykorzystujących zróżnicowane narzędzia ilościowej analizy danych oraz podręczników poświęconych wykorzystaniu oprogramowania R do analizy danych. Pomysłodawca i animator grupy badawczej Data Science Lab na WNE UW (dslab.wne.uw.edu.pl). Kierownik i wykonawca licznych projektów finansowanych przez Narodowe Centrum Nauki, Komisję Europejską (w ramach programu Horyzont 2020), Ministerstwo Rozwoju Regionalnego oraz Narodowe Centrum Badań i Rozwoju. Autor i współtwórca wielu kursów akademickich, a także praktycznych szkoleń warsztatowych dla licznych firm oraz instytucji sektora publicznego z dziedzin związanych bezpośrednio z Data Science: zaawansowanego programowania w R i SAS, statystyki, modelowania i prognozowania szeregów czasowych, ekonometrii i uczenia maszynowego. Posiada wieloletnie doświadczenie zawodowe analityka ilościowego w branży finansowej, telekomunikacyjnej i badań marketingowych. Autor, kierownik i wykładowca studiów podyplomowych „Metody statystyczne w biznesie. Warsztaty z oprogramowaniem SAS” (11 edycji w latach 2008–2019) oraz studiów podyplomowych „Data Science w zastosowaniach biznesowych. Warsztaty z wykorzystaniem programu R” (od 2017 roku).
Aleksandra Wilczynska
Fundacja Most
Doradczyni ds. finansowania innowacji w Exeq. Ekspertka programu akceleracyjnego Warsaw Booster. Współpracowała z ponad 100 organizacjami w całej Europie, głównie MŚP z branży high-tech, instytutami badawczymi, uniwersytetami, indywidualnymi wynalazcami, naukowcami i przedsiębiorcami, pomagając im budować konsorcja i pozyskiwać finansowanie z programów krajowych i unijnych. Konsultowała projekty z zakresu sztucznej inteligencji, rozwoju oprogramowania, inżynierii, rozwoju leków i urządzeń medycznych. Jej pasją jest przenoszenie innowacji z laboratorium na rynek.
OBEJRZYJ NAGRANIE SEMINARIUM
Cykl polskojęzycznych spotkań, podczas których badacze i badaczki wraz z zaproszonymi gośćmi przyglądają się zagadnieniom związanym z transformacją cyfrową, nowymi technologiami, innowacyjnością oraz cyfrowymi metodami badawczymi.
Celem seminariów „Cyfryzacja pod lupą nauki” jest budowanie współpracy pomiędzy akademią, sektorem publicznym i biznesem. Naukowcy dzielą się wynikami badań oraz mają okazję podyskutować o nich z ekspertami. Efekty ich pracy dostępne są na stronie DELab UW.