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