A klaszterek kétféle értelmezését különíti el Grosz (2005). Egyik a klaszteresedési folyamat eredménye, ezek a hasonló iparágban tevékenykedő cégek, intézmények között kialakult együttműködések, a másik pedig a klaszterorientált gazdaságfejlesztés, ahol a klaszterek olyan szervezetek, melyek területfejlesztési eszközként szolgálhatnak (Grosz 2005).
Az első értelmezés szerinti klaszterek mérésére, vagyis a regionális és iparági klaszte-rek meghatározására, a gazdaságban betöltött szerepének vizsgálatára többféle módszert használ a szakirodalom. Hazánkban az egyik elterjedt módszer az ágazati kapcsolatok mérlege (ÁKM), mely a regionális input-output modelleknek egy típusa. A lokációs hánya-dos (LQ) az ágazati koncentráció kimutatására alkalmas, mely a nemzetközi és hazai szakirodalomban széles körben használt módszer (Gecse – Nikodémus 2003; Grosz 2005;
Vas 2012). Továbbá előfordul, hogy esettanulmányokkal (melyek inkább kvalitatív elemzé-sek, és képesek mélyebb összefüggéseket feltárni) írják le a klaszterek jellemzőit egy-egy országra, régióra vagy konkrét példára vetítve. Dusek (1999) az Olaszország egyes régió-iban található ipari körzeteket mutatta be több esettanulmányon keresztül, összevetve más európai példákkal, mint Spanyolország, Görögország, írország. Ezen kívül a shift-share analízis is használható klaszterek mérésére. A másik megközelítést (a klaszter, mint gazdaságfejlesztési eszköz) eltérő módszertannal célszerű vizsgálni. „A klaszter súlyának mérésére a klaszterkezdeményezéshez csatlakozott vállalatok az iparágban vagy a régió gazdaságában betöltött súlyának meghatározására szolgálhat.” (Grosz 2005, 80.). A továb-biakban a fenti módszereket mutatjuk be részletesen, rávilágítva azok gyakorlati hasz-nára, illetve a kutatás korlátaira.
Ágazati kapcsolatok mérlege (ÁKM)
A területi egységek, régiók ágazati értékesítési és ráfordítási megoszlásait mutatja be mátrix szerkezetben, mérlegek segítségével. Az import és export adatokat mutatja ágazati és regionális bontásban, amely mérleg a területi kapcsolatok összetett rendszerének ábrázo-lására szolgálhat. A modellel azt kívánják bemutatni, hogy a termelés egységnyi növelése milyen ágazati és területi hatással bír. Leírja a termelés és kibocsátás szerkezetét, és jellemzi az adott régió gazdasági ágazatait, ipari körzeteit. Beruházások hatását is képes kimutatni, és bemutatható rajta az időbeli változás is, ha különféle időpontokra elkészítik (Rechnitzer 2004). A modell a meglévő gazdasági koncentrációk kimutatására alkalmas, nem pedig intézményesült klaszterkezdeményezések feltérképezésére. Továbbá a modell hátránya a statisztikai adatok elérhetőségén és szintjén múlik, hiszen adminisztratív régiókra bontva találhatunk információkat a gazdasági ágazatokról (Grosz 2005). A módszer további hátrá-nya, hogy nem követi a gazdasági szerkezetben bekövetkezett változásokat, nem illeszthető bele számos modern, innovatív iparág. Kritikájaként fogalmazódik meg, hogy nem törekszik a valóság minél pontosabb leírására (Patik 2005). A Központi Statisztikai Hivatal (KSH) készít ÁKM-eket megyei szintű adatok felhasználásával, ám nem minden évben. Az elemzés tehát ritka, elnagyolt, és a beszállítói hálózatok nehezen követhetők nyomon.
Lokációs hányados (LQ)
A lokációs hányados „az ágazat relatív koncentrációján alapuló iparági koncentrá-ciós együtthatónak is tekinthető, mely leggyakrabban a foglalkoztatás nagyságát veszi alapul.” (Grosz 2005, 78.) A mutató adott térségben vizsgálja a meghatározott ágazatban a foglalkoztatottak relatív részesedését, és a teljes foglalkoztatási szinthez viszonyítja.
A módszer hátránya szintén a statisztikai adatokban található, hiszen erősen függ az egyes statisztikai besorolásoktól, illetve szintén csak adminisztratív, közigazgatási régiók esetén értelmezhető.
Két képlet is rendelkezésre áll a mutató kiszámítására (Grosz 2005):
1. LQ = (Eij / Ej) / (Ein / En) 2. LQ= (Eij / Ein) / (Ej / En), ahol
– Eij az „i” iparágban foglalkoztattak száma a „j” régióban, – Ej: az összes foglalkoztatott száma „j” régióban,
– Ein: az „i” iparágban foglalkoztatottak száma az egész országban, – En: az összes foglalkoztatott száma az egész országban.
Az eredmények úgy értelmezhetők, hogy amennyiben a lokációs hányados értéke 1 vagy ahhoz közeli, a vizsgált iparágban foglalkoztatottak aránya hasonló az országos átlaghoz. Az egynél nagyobb érték azt jelöli, hogy az országos átlagnál magasabb az adott iparág koncentrációja a vizsgált területen, illetve fordítva, ha az érték kisebb egynél, a koncentráció is alacsonyabb. A mutató magas értéke klaszteresedésre enged következ-tetni. A mutató másik hátránya, hogy az együttműködési kapcsolatokat nem képes feltér-képezni (Grosz 2005).
Gráfok
A gráfok információkat nyújthatnak az iparágak, klaszterek közti kapcsolatokról. A gráfok szereplői közt háromféle kapcsolat létezhet: egyirányú, szimmetrikus és tranzitív (lánc-szerű kapcsolat). Tartalmazhatnak enklávét (elszigetelt iparág), párt (két iparág szim-metrikus kapcsolata), fát (egyirányú kapcsolatok), kört, agglomerációt (szimszim-metrikus és tranzitív kapcsolatok) és klikket (valamennyi iparág közt tapasztalt kapcsolat) (Grosz 2005).
Általában valamilyen input-output tábla áll a megjelenített gráfok mögött (Patik 2005).
Shift-share analízis
A shift-share analízis, más néven hatásarány elemzés azt vizsgálja, hogy egy-egy térség dinamikájában vagy fejlettségében a helyi adottságoknak vagy a gazdasági szerkezeti tényezőknek van-e szerepe. Legfőképp területi és ágazati bontású adatokat vizsgálnak a kezdő év és a vizsgált időszak vége vonatkozásában. Ezen két időszak adatait mátrixok segítségével ábrázolják. Az alapadatokból kiszámítható például az „i”-edik területegység teljes jövedelme, a „j”-edik szektor összjövedelme, illetve az országos összjövedelem a két időpontra. A jövedelemnövekedési indexeket a két mátrix megfelelő sorainak osztásával számíthatjuk ki. A sor és oszlop, illetve a mátrixok összegének egymással való osztása révén megkapjuk a teljes növekedési indexet illetve, a területi és szektorális jövedelmi indexet (Nemes Nagy 2005). Természetesen nemcsak jövedelmet, hanem foglalkoztatást, átlagkereseteket vagy más indikátort is használhatunk az elemzéshez.
Kiszámíthatjuk az összes változást (Stj), amely megmutatja, hogy mennyi a régióban a periódus végén képződött többlet, illetve hiány, valamint azt, hogy a terület az orszá-gos átlagnál gyorsabban vagy lassabban növekedett. A következő lépés a területi tényező (Skj), majd az ágazati (strukturális) tényező (Spj) kiszámítása. Végeredményképp 8 típusba sorolhatók a régiók (1. táblázat) (Nemes Nagy 1984).
Klaszterek súlyának meghatározása
A klaszterkezdeményezések, mint fejlesztési eszközök vizsgálata más módszereket igényel, a cél a klasztersúly meghatározása. „A klaszter súlyának mérése alapvetően a klaszterkezdeményezésekhez csatlakozott vállalkozásoknak az iparágban, illetve régió gazdaságában betöltött súlyának meghatározására szolgálhat”. (Grosz 2005, 80.). Azonban ez a metódus is több problémát vet fel, melyek a régió lehatárolásából és az iparági súly meghatározásából erednek (Grosz 2005).
1. Vonatkoztatási térség lehatárolása és a régiók eltérő értelmezése: Különböző régiókat tipizálhatunk: a politikai régió (közigazgatási, statisztikai szempontokat helyez előtérbe), csomóponti régió (területi sűrűsödésből ered), és homogén régió
1. táblázat: A shift-share analízis eredményének típusai
Forrás: Nemes Nagy 2005, 28.
A térségek jellemzői szerinti típusok Stj Stj Stj A tényezők nagy-ság viszonya Előjele
Pozitív területi és strukturális tényező,
átlagosnál nagyobb dinamika + + + Spj > Skj
Skj < Spj Pozitív strukturális és negatív területi
tényező, átlagosnál nagyobb dinamika + - + |Spj| < |Skj|
Negatív strukturális és pozitív területi
tényező, átlagosnál nagyobb dinamika + + - |Spj| < |Skj|
Pozitív strukturális és negatív területi
tényező, átlagosnál kisebb dinamika - - + |Spj| > |Skj|
Negatív strukturális és pozitív területi
tényező, átlagosnál kisebb dinamika - + - |Spj| < |Skj|
Negatív területi és strukturális
tényező, átlagos kisebb dinamika - - - Spj > Skj
Spj < Skj
(hasonló társadalmi-gazdasági vagy földrajzi jellemzőkkel bírnak). A csomópon-tihoz kötődnek a klaszterek leginkább, ezért nem határozható meg egyértelműen a határvonal, és a kapcsolat intenzitása a centrumtól távolodva csökken. A klasz-terek súlyának meghatározása nehezen alkalmazható a statisztikai, politikai régiókra, mert a kapcsolatok, együttműködések átnyúlnak a „határokon”. Ezzel szemben hazánkban jellemző, hogy a fejlesztési ügynökségeknek köszönhetően az alulról jövő kezdeményezések egy része statisztikai régióhoz kapcsolódik.
Továbbá a KSH-adatok jellemzően statisztikai régióra érhetők el, így a vizsgálat első feladata a területi egység meghatározása pl. megyék.
2. Iparágban betöltött súly meghatározása: Szintén a statisztikai besorolás határozza meg a rendelkezésre álló iparágakat (TEÁOR-kódok), azokat fő tevékenységi körön-ként csoportosítja, de lehet, hogy azok melléktevékenységükkel kapcsolódnak a klaszterhez, ezért problémás a lehatárolás.
A klaszterkezdeményezések mérésére alapvetően három mutatószám szolgál, melyek képesek kifejezni az együttműködés koncentrációját. Nemzetközileg is ezeket alkalmaz-zák a leggyakrabban (Grosz 2005):
1. tagok száma:
– csoportokra bontás, például csatlakozási időpont, tevékenység jellege, intézmény jellege, külföldiek száma, méret alapján
– külön csoportot képeznek az egyetemek, kutatóintézetek, egyéb intézmények 2. klaszterhez kapcsolódó vállalkozások teljesítményét, régióban betöltött súlyát mérheti a nettó árbevétel és a foglalkoztatottak létszáma
3. sajátos indikátorok, amelyek céges megkérdezés alapján nyerhetők:
– klaszter szolgáltatásai, igénybevevő cégek száma – exportárbevétel aránya a teljes árbevételből
– hazai beszállítók részesedése, hozzáadott érték nagysága – beruházások és a K+F ráfordítások aránya az árbevételhez képest – K+F területen foglalkoztatottak aránya a teljes foglalkoztatottakból – minőségbiztosítással rendelkező cégek száma
– együttműködési kapcsolatok felsőoktatási és kutatási intézményekkel – klasztertagokkal közösen megvalósult projektek száma
A módszerek leginkább egymást kiegészítve használhatók eredményesen. A klaszte-rek csak decentralizált döntéshozatallal párosuló klaszter alapú gazdaságpolitika mellett képesek megerősödni. Fontos az adott régióban a vállalatok esetében az együttműködés és gazdasági növekedés alapját képező verseny közötti összhang és egyensúly megtalá-lása. A klaszterfejlesztés során nem szabad csak egy-egy húzóágazatra koncentrálni, mert felmerül a ciklikusság, a túlzott specializáció veszélye (Grosz 2005).
Az egyes módszerek előnyeit és hátrányait veszi sorra Feser (2001). A kérdőíves megkér-dezés a legköltségesebb, azonban a legrelevánsabb és legfrissebb információkat eredmé-nyezi. A szakértői interjúk ennél személyesebbek, olcsóbbak, bár kevésbé általánosíthatók.
Az input-output modelleket kereskedelmi bázisú, illetve innovációs bázisúra bontja szét, azonban az adatok elérhetőségének és relevanciájának kérdését hangsúlyozza. Megemlíti a lokációs hányadost, de főként kiegészítő elemzésként utal rá, a gráfokat pedig elsősor-ban jó szemléltetőeszköznek tartja (2. táblázat).
Patik (2005) a klaszter-feltérképezést az irányultsága és a felhasznált adatok mentén értékeli. A termelési inputokat foglalkoztatási adatok alapján elemzi a lokációs hányados mellett több módszer is. Input és output adatokat egyaránt kezel a gráf-elemzés, az input-output modell és egyéb kvalitatív vizsgálati metódus, mint például az esettanulmány.
Outputot vizsgál export adatokból a feltárt komparatív előnyök módszere, az innovációs adatokból pedig a szabadalmak számáról, ezáltal a K+F és innováció mértékéről nyerhe-tünk információkat (3. táblázat).
2. táblázat: A klasztervizsgálati módszerek jellemzői
Forrás: Feser 2001.
Módszer Előnyök Hátrányok
Szakértői
megkér-dezés Egyszerű, nem költséges,
részletes információkat nyújt Nem általánosítható, csupán egy személy véleménye Lokációs hányados Egyszerű, nem költséges,
kiegészíthet más elemzéseket Ágazatokra fókuszál, nem klaszterekre
száma Munkaerő jellemzőit írja le Foglalkozásra és nem képes-ségekre fókuszál, aggregált adatok
Gráfok Szemléletes Módszertan és a használt
szoftverek limitáltak Kérdőívek Rugalmas, megfelelő adatokat
gyűjthet, aktuális Költséges, nehéz helyesen alkalmazni
3. táblázat: A klaszter-feltérképezés módszertana
Forrás: Patik 2005, 525.
Irányultság Adatok, információk Módszer
inputja foglalkoztatási adatok
telephelyhányados (LQ) index nemzeti foglalkoztatásból való részesedés (SHR)
agglomerációs együttható (AQ) átlagbérek
inputja és
outputja tranzakciók, szereplők közti kapcsolatok
input-output elemzés gráf-elemzés
kvalitatív módszerek
outputja export feltárt komparatív előnyök (RCA)
innováció szabadalmak száma
nem sorolható be
földrajzi elhelyezkedés térképek
egyéb korrespodencia-analízis
vállalatok számának növekedése