Issuu on Google+

“Metodologias de mapeamento de clusters em sectores estratégicos regionais: Enquadramento teórico, análise comparativa internacional e contextualização para a Região do Norte” “Cluster mapping methodologies for strategic regional sectors: theoretical framework, international comparative analysis and context for the Norte Region of Portugal”

Eduardo Manuel Nogueira Nunes Nº355409009 Licenciado em Economia

Trabalho Final de Mestrado submetido no cumprimento parcial dos requisitos para o grau de Mestre em Gestão da Faculdade de Economia e Gestão da Universidade Católica Portuguesa

Orientação de: Vasco Raul Barrote Rodrigues

Cooperação e Apoio de: Comissão de Coordenação e Desenvolvimento Regional do Norte

Agosto-2011


AGRADECIMENTOS Por todo o apoio, paciência e força agradeço à minha família e amigos, sem os quais não teria sido possível o desenvolvimento deste trabalho de mestrado, e em particular à Carla Martins, a quem o dedico. Por proporcionar esta oportunidade de aprendizagem e crescimento pessoal, através da execução deste Mestrado, agradeço à Faculdade de Economia e Gestão da Universidade Católica Portuguesa – Pólo Porto. Gostaria de deixar uma nota de agradecimento ao seu corpo docente que demonstra coragem, dedicação e interesse pelos seus alunos, assim como uma capacidade extraordinária de transmissão de conhecimentos e experiências. Gostaria também de agradecer em particular ao Prof. Doutor Vasco Rodrigues, meu orientador para a execução desta dissertação pelos conselhos, sugestões e críticas efectuadas, e à Prof. Doutora Leonor Sopas pelo incentivo para desenvolvimento deste estudo. Por último, agradeço também à Comissão de Coordenação e Desenvolvimento Regional do Norte por todo o apoio e conselhos dados, esperando poder retribuir na forma do trabalho que apresento de seguida.


SUMÁRIO O objectivo deste trabalho é a análise comparativa de metodologias de mapeamento de clusters e a proposta de um conjunto de recomendações que contribuam para a execução do mapeamento na região Norte de Portugal. Foram identificadas e avaliadas diversas metodologias, desenvolvidas em meio académico ou por organizações. Verificou-se que, à luz do conceito de cluster tal como foi desenvolvido por Porter, a aplicação de qualquer das metodologias de forma isolada e alheia a considerações teóricas resultará num mapeamento erróneo. Nesse sentido, foi necessário compreender os fundamentos, analisar o conceito de forma quantitativa e efecutar análises comparativas para criar uma metodologia de mapeamento que se considera adequada para a identificação de clusters na região Norte. Propõem-se a obtenção de dados estatísticos relevantes e precisos e a execução de quatro passos para o mapeamento de clusters, caso existam, e diversas sugestões para análises futuras. Julgamos os resultados teóricos relevantes, esperando contribuir tanto para o rigor e estabilidade do conceito, como para a criação de políticas de desenvolvimento económico objectivas. ABSTRACT Our main goal is to analyse and compare cluster mapping methodologies, as well as propose a set of recommendations which allow for the mapping of clusters in the Norte region of Portugal. For that, several methodologies were identified and analysed, developed both by academics and organizations. We found that, in light of the cluster theory as developed by Porter, the execution of any of the listed methods in an isolated fashion and absent of spatial context would result in a misguided mapping of clusters. To prevent that from happening we searched within the concept for its theoretical basis and economic meaning, attributed real quantitative value, and made comparative analysis so that a proper cluster mapping methodology could be created for the Norte region. The use of relevant and precise statistical data is emphasized and the execution of four steps for cluster mapping is recommended, as well as several suggestions for future analysis. We believe the theoretical results are relevant and hope to contribute for more rigour and stability of the concept, and to create objective cluster based economic development policies. Palavra-chave: Cluster, Mapeamento, Metodologia, Desenvolvimento económico, Localização Keywords: Cluster, Mapping, Methodology, Economic Development, Business Location


ÍNDICE 1 – INTRODUÇÃO .................................................................................................................................. 1   2 – FUNDAMENTOS TEÓRICOS ........................................................................................................ 4   2.1 – Os clusters – O conceito segundo Porter ............................................................................. 4   2.1.1 – Definição teórica .................................................................................................................. 4   2.1.2 – As bases de suporte teórico.............................................................................................. 5   2.1.3 – O diamante das vantagens nacionais e políticas públicas .......................................... 11   2.1.4 – O impacto na economia e o seu ciclo de vida ............................................................ 12   2.2 – Justificação económica .............................................................................................................. 16   2.2.1 – Economias de aglomeração.............................................................................................. 16   2.2.2 – Economias de localização e urbanização....................................................................... 16   2.2.3 – O efeito das externalidades ............................................................................................. 18   2.2.4 – Spillovers ................................................................................................................................ 19   2.3 – Críticas ao conceito .................................................................................................................. 21   2.3.1 – Breve introdução................................................................................................................ 21   2.3.2 – Problemas conceptuais ..................................................................................................... 21   2.3.3 – Problemas interpretativos ................................................................................................ 26   2.4 – Análise quantitativa do conceito............................................................................................. 31   3 – CONCEITOS RELACIONADOS ................................................................................................. 34   3.1 – Os distritos industriais .............................................................................................................. 34   3.2 – Os pólos de competitividade .................................................................................................. 37  


3.3 – As redes inter-empresariais..................................................................................................... 42   4 – O MAPEAMENTO DE CLUSTERS .............................................................................................. 45   4.1 – A necessidade de mapeamento .............................................................................................. 45   4.2 – O mapeamento rigoroso.......................................................................................................... 46   4.3 – As metodologias de mapeamento de concentrações geográficas .................................. 47   4.3.1 – Introdução ........................................................................................................................... 47   4.3.2 – Coeficiente Espacial de Gini ............................................................................................ 47   4.3.3 – Quociente de Localização ................................................................................................ 48   4.3.4 – Índices de Correlação Espacial – Gi* .............................................................................. 51   4.3.5 – Indicador conjunto – modelo de Carrol....................................................................... 53   4.3.6 – Modelo das vantagens naturais – índice de Ellison e Glaeser .................................. 54   4.3.7 – A correlação de actividades – Modelo de Porter....................................................... 57   4.3.8 – Indicadores de 2ª geração ................................................................................................ 59   4.3.9 – Mapeamento micro-geográfico ....................................................................................... 60   4.3.10 – A função M ........................................................................................................................ 64   4.4 – Mapeamento de relações ......................................................................................................... 67   4.4.1 – Introdução ........................................................................................................................... 67   4.4.2 – Técnica visual de Markusen ............................................................................................. 67   4.4.3 – Clusters de sectores comerciais – Modelo de Porter .............................................. 69   4.4.4 – Cluster “templates” – Método de Feser e Bergman ................................................. 71   4.4.5 – Indicadores de ligações e interdependências ............................................................... 74  


4.5 – Identificação de factores de produtividade .......................................................................... 76   4.5.1- Introdução.............................................................................................................................. 76   4.5.2- Mapeamento de inovação – Dados de patentes ........................................................... 76   4.5.3- Análise dos determinantes de aglomeração ................................................................... 79   5 – APLICAÇÕES PRÁTICAS DAS METODOLOGIAS ................................................................ 82   5.1 – Department of Trade and Industry – Reino Unido ........................................................... 82   5.2 – Cluster Mapping Project e o International Cluster Competitiveness Project ............. 85   5.3 – Mapeamento de clusters pela OCDE .................................................................................... 87   5.4 – O mapeamento de clusters na Europa – O projecto “Europa INNOVA” ................. 90   6 – O CONTEXTO NACIONAL E REGIONAL ............................................................................ 94   7 – CONCLUSÕES ................................................................................................................................. 96   7.1 – Metodologia de mapeamento proposta ................................................................................ 96   7.2 – Significado e interesse prático ............................................................................................... 103   7.3 – Recomendações e sugestões ................................................................................................. 104   BIBLIOGRAFIA ....................................................................................................................................... 106   LISTA DE ANEXOS .............................................................................................................................. 111   Anexo 1 – Desagregação quantitativa do conceito de clusters .......................................... 111   Anexo 2 - Lista de apoios atribuídos aos pólos de competitividade ................................. 112   Anexo 3 - Os pólos de competitividade existentes no território francês ....................... 113   Anexo 4.1 – Aplicação do quociente de localização ............................................................. 114   Anexo 4.2 – Aplicação do índice de Gi*.................................................................................... 115  


Anexo 4.3 – Aplicação do indicador conjunto de Carrol .................................................... 116   Anexo 5 – Mapeamento com dados micro-geográficos – Reino Unido ........................... 117   Anexo 6 – Aplicação prática da técnica visual de Markusen ............................................... 118   Anexo 7 – Agregação de sectores em clusters ...................................................................... 119   Anexo 8 – Localização geográfica do cluster de alta-fidelidade no Reino Unido ........... 121   Anexo 9 – Resultados da tipologia de relações verificadas por via de inquérito ........... 122   Anexo 10 – Mapeamento de clusters conforme metodologia do DTI ............................. 123   Anexo 11 – Conceitos de proximidade e fronteiras utilizados no capítulo 7 ................. 124   Anexo 12 – Ferramenta disponibilizada pelo European Cluster Observatory ............... 125   Anexo 13 - Metodologia de mapeamento de clusters utilizada pelo DTI ........................ 126   Anexo 14 – Exemplo prático de aplicação do LQ ................................................................. 127   Anexo 15 – Exemplo prático – agregação de sectores em clusters .................................. 128   Anexo 16 – Teoria do crescimento endógeno ....................................................................... 130  

Número total de palavras: 27.909


1 – INTRODUÇÃO O trabalho a ser apresentado nasceu de uma discussão entre dois indivíduos, sobre a relevância dos clusters para o desenvolvimento económico regional. A discussão transformou-se numa proposta para execução de um trabalho final de mestrado sobre um de três temas em torno do conceito de cluster. Uma das possibilidades seria a discussão das metodologias de mapeamento, outra a dinamização e acompanhamento de clusters e a última metodologias de avaliação de políticas públicas de clusters, todas centradas contextualmente na região Norte de Portugal. A escolha recaiu sobre o primeiro tema, pois considerou-se que as duas opções restantes teriam maior relevância após a execução da primeira. Assim, a motivação para este estudo tornou-se a obtenção de resposta à questão: considerando a relevância para o sucesso das políticas públicas regionais, qual será a melhor metodologia para mapeamento dos clusters que eventualmente existentes na região Norte? É pressuposto que o sucesso de uma política económica baseada em clusters depende da sua correcta identificação. A necessidade de utilização de recursos limitados e foco dos investimentos públicos, evidencia que o mapeamento de clusters deve ser escrupuloso, evitando erros que possam daí advir. A utilização de um mapeamento rigoroso auxiliará à definição sobre possíveis causas de insucesso das políticas de apoio e promoção de clusters, em particular, na região Norte de Portugal. Para responder à questão, definiu-se na proposta de execução deste trabalho que o objectivo principal seria a análise comparativa de metodologias de mapeamento de clusters e proposta de um conjunto de recomendações que contribuam para a execução do mapeamento na região Norte de Portugal. Porém, à medida que foi sendo efectuada a revisão bibliográfica e se iniciou a construção do trabalho verificou-se que se deveria efectuar um ajustamento da direcção dada ao trabalho. Ao certo, verificaram-se necessidades adicionais relevantes, desconhecidas até aí, decorrentes dos graves constrangimentos à análise das metodologias de mapeamento de clusters, sendo que estas derivam das bases teóricas no conceito de clusters. Os clusters, enquanto teoria, existe há cerca de 21 anos. O interesse revelado pela comunidade científica tem sido renovado e apenas superado pelo demonstrado por uma 1


multiplicidade de políticos, agentes económicos (locais, regionais, nacionais e internacionais) e grupos de empresários e empresas (Martin, 2003). Esse interesse reflectiu-se em contínuos lançamentos de novos artigos, estudos, relatórios, conferências, seminários, etc., sobre o conceito de clusters, a sua aplicação prática e impactos, identificação e mapeamento, políticas públicas de apoio ao seu desenvolvimento e políticas públicas de desenvolvimento baseadas em clusters. Este contexto nem sempre adicionou qualidade e estrutura ao conceito. Pelo contrário, criou por vezes indefinição, espaço para interpretações erradas, abusos e excessiva flexibilidade de utilização (Markusen, 2003). As metodologias de mapeamento dos clusters não foram excepção (Martin, 2003). Como resultado, a revisão bibliográfica levou à identificação de diversas situações em que a metodologia poderia ser mal interpretada, pelo facto de estar baseada em fundamentos inconsistentes com a teoria dos clusters. As conclusões a retirar sobre quais as metodologias mais adequadas para mapeamento, ou quais as alterações a propor poderiam ser as erradas se não houvesse uma clara e construtiva visão prévia sobre as bases teóricas, funcionamento e consequências dos clusters. Nesse sentido, estruturou-se o trabalho em sete capítulos, sendo que no segundo o conceito teórico de cluster é explanado, dando especial ênfase às suas bases teóricas, a sua aplicação ao nível das políticas públicas, impactos económicos previstos e ciclo de vida associado. Os benefícios e impactos são desagregados, procurando na teoria económica justificações da sua presença conceptual. Analisa-se também as diversas críticas que são efectuadas ao conceito de cluster, tal como os principais problemas identificados. A nível teórico, a última secção desagrega os clusters de forma quantitativa, efectuando a ligação entre o conceito teórico e a sua aplicação prática. Ainda no plano conceptual, um terceiro capítulo foi introduzido, não associado a clusters de forma directa, mas sim a conceitos relacionados como distritos industriais, pólos de competitividade e redes inter-empresariais. O objectivo específico deste capítulo é auxiliar na distinção dos conceitos teóricos. No capítulo 4 dá-se início à análise das metodologias de mapeamento, quer de aglomerações geográficas, ligações e relações ou factores de impacto. Não se pretende fazer neste capítulo a explanação exaustiva das metodologias existentes, mas sim fornecer uma perspectiva geral e esclarecedora das mesmas. A análise não foi centrada de forma exclusiva nos clusters, 2


sendo que determinadas metodologias foram concebidas para conceitos relacionados. Quando necessário, procederam-se a juízos de valor e ajustamentos à análise das metodologias, enquadrando as mesmas no conceito teórico. Espera-se que este capítulo, em conjunto com o seguinte, onde se analisa alguns dos esforços políticos actuais mais relevantes, permita auxiliar na determinação de qual a direcção que deve ser dada ao mapeamento para que este seja rigoroso. No capítulo 6 introduzimos na análise o contexto da região Norte de Portugal. Tal servirá para, em conjunto com os dois capítulos anteriores, concluir sobre as sugestões a efectuar sobre as metodologias de mapeamento a utilizar nesta região, e outras recomendações que se considerem relevantes. Por último, o capítulo 7 resume o estudo efectuado ao longo do trabalho, sugerindo-se uma metodologia que considera-se rigorosa e com aplicação prática à região Norte. Termina-se o capítulo detalhando o significado e interesse prático que se considera que a metodologia terá para os diversos agentes, e sugestões e outras recomendações que se julga que poderão servir para melhorar o estado da investigação em torno deste conceito.

3


2 – FUNDAMENTOS TEÓRICOS 2.1 – Os clusters – O conceito segundo Porter 2.1.1 – Definição teórica Encontrar uma definição para o termo cluster não é tarefa árdua. Múltiplos autores escrevem sobre os clusters todos os anos (Cortright, 2006). No entanto, surgem dificuldades no momento em que se tenta utilizar uma definição que gere consenso e ao mesmo tempo possibilite a utilização em análises práticas. Para o presente trabalho e tendo em conta os objectivos definidos, considerou-se lógica a utilização da definição descritiva desenvolvida por Porter, por diversos motivos. Em primeiro lugar, o conceito de cluster emerge com Porter (Porter, 1990). Apesar de existirem conceitos próximos, e bases teóricas pré-existentes1, há elementos distinguíveis e respeita-se que será o autor original que melhor poderá descrever o conceito. Em segundo lugar, considera-se que se deve manter a consistência entre as bases conceptuais dos clusters e a aplicação prática do conceito. Julgamos que a melhor forma de o fazer é utilizar uma definição consensual e que permita uma visualização global do que teoricamente será um cluster. Assim, parte-se do conceito de cluster conforme definido por Porter em “Clusters and the new economics of competition” (Porter, 1998ª, pp78)2: Clusters são concentrações geográficas de empresas e instituições, num sector particular, interligadas. Clusters abrangem um conjunto de sectores e outras entidades ligadas importantes para a competição. Incluem, por exemplo, fornecedores de inputs especializados como componentes, maquinaria, serviços e fornecedores de infraestruturas especializadas. Clusters também se estendem na “cadeia de produção” 3 para distribuidores e consumidores, lateralmente para produtores de produtos complementares e outros sectores relacionados por competências, tecnologias ou inputs iguais. Por último, muitos clusters incluem instituições governamentais e outras - como universidades, centros de formação, associações de comércio, agências, etc. – que providenciam treino, educação, informação, investigação e suporte técnico especializado (Porter, 1998a).

Ao longo de alguns dos trabalhos de Michael Porter, (Porter, 1998a; Porter, 1998b; Porter,

1

Como se irá ver na secção 2.2 – Justificação económica e no capítulo 3 – Conceitos relacionados.

2

Efectuou-se a tradução linear para a língua portuguesa, para facilitação da leitura. Houve um esforço no

2

Efectuou-se a tradução linear para a língua portuguesa, para facilitação da leitura. Houve um esforço no

sentido de manter a consistência e não criar ambiguidade com a tradução. 3

Traduzido de “downstream” e “upstream”.

4


2000a; Porter, 2000b), ficamos a saber mais sobre o conceito aqui exposto. Os prérequisitos para a sua existência, as bases teóricas, o impacto e consequência que pode ter na economia – a nível regional e nacional – características relevantes e de que forma podem as políticas públicas podem afectar, directa ou indirectamente, o seu desenvolvimento e performance. Cada um destes pontos será abordado de forma resumida mas profunda, pois será essencial para esclarecer e aprofundar os detalhes do que se entende por cluster.

2.1.2 – As bases de suporte teórico4 Os clusters, como conceito teórico, pode ser decomposto em diversos pilares, que o define e distingue das restantes concepções existentes de aglomeração de empresas. O diagrama I (adaptado de Almodovar, 2009) serve de pré-visualização das bases. DIAGRAMA I Visualização das bases teóricas dos clusters

A) Estrutura interna Em primeiro lugar, podemos visualizar a presença da estrutura interna5. No interior dessa podem encontrar-se os seguintes tipos de empresas:

4

Esta secção segue, na sua maioria, os trabalhos de Porter (Porter 1998a; Porter, 2000a; Porter, 2000b).

5


-

Empresas, concorrentes, de determinado sector de actividade6;

-

Fornecedores de inputs especializados, como maquinaria, serviços, infraestruturas, etc., fornecedores de matérias-primas ou materiais e empresas de distribuição;

-

Empresas de produtos/serviços complementares;

-

Empresas relacionadas por técnicas, tecnologias e/ou inputs comuns.

Ou seja, o cluster, tal como está descrito na definição, não é composto pela aglomeração de empresas de um determinado sector. Porter considera é necessária uma “massa crítica” de empresas do sector num cluster para que surjam benefícios, mas no plano conceptual este será também composto por fornecedores especializados, que sentindo-se atraídos pela concentração de potenciais clientes estabelecem-se em proximidade. Estes fornecedores poderão criar relações com empresas do sector concentrado na localização, desenvolver parcerias e criar maquinaria/serviços/etc., especializados. Os fornecedores de inputs como matérias-primas ou materiais terão, por sua vez, vantagens em fornecer em proximidade, reduzindo custos de transporte e armazenamento. Também poderá incluir empresas de produtos ou serviços complementares que beneficiarão, pelas ligações possíveis em termos de competências, tecnologias e potencial cooperação, caso estes benefícios sejam localizados. Empresas de distribuição, pela concentração de potenciais clientes podem desejar localizar-se na mesma zona para oferecer serviços mais adequados. Empresas relacionadas por tecnologias, técnicas ou inputs similares beneficiam, caso se encontrem em proximidade sociocultural, de spillovers

7

e das relações e ligações

estabelecidas. Estas podem dar origem a melhorias no processo, inovações, etc., pela cooperação gerada com as empresas do sector.

5

Pela leitura dos trabalhos mencionados, verifica-se que a estrutura interna é dinâmica. Não é possível

determinar de forma concreta e definitiva a sua composição. Assim, optou-se por descrever a composição “máxima” de um cluster. 6

Ao longo do trabalho, teve-se o cuidado de utilizar o termo “sector” ao invés de “indústria”, e “empresarial”

em vez de “industrial”, pois apresenta-se mais completo. 7

O termo spillover é definido pelo New Oxford American Dictionary® como “an instance of overflowing or

spreading into another”. Assim, o termo será utilizado para referir uma externalidade provocada num agente económico qualquer pela presença de outrosendo a sua natureza negativa ou positiva (ver sub-secção 2.2.4).

6


Este conjunto de empresas, nas suas possíveis combinações, funcionará, segundo Porter, em torno de um produto/serviço (e produtos/serviços relacionados), ao invés de um sector específico. Existirá um alinhamento em torno de um foco comum, permitindo maior tendência para a especialização dos membros do cluster. A especialização também poderá ocorrer junto da mão-de-obra, pela aglomeração de empresas. Porter considera que essa aglomeração permite a criação de um acesso a trabalhadores experientes, especializados e em quantidades elevadas. Tal irá dever-se, não só à presença de um número elevado de empresas do mesmo sector, mas também empresas com tecnologias e competências similares. Os funcionários, por outro lado, podem considerar a localização em si atractiva para obtenção de emprego, por existir uma concentração de empresas que poderão necessitar das suas competências. Quanto à dimensão espacial, Porter considera que um cluster pode variar de tamanho, e que em situação alguma estará limitado por fronteiras administrativas. É definido pelas ligações e complementaridades entre empresas e instituições, podendo chegar a ultrapassar as fronteiras de um país. B) Ligações e relações Em segundo lugar, as relações e ligações criadas e mantidas entre empresas no interior dos clusters merecem destaque. De facto, poderemos afirmar que será, em parte, o tipo de ligações criadas que distingue os clusters de outros tipos de aglomerações empresariais, e de outro tipo de relações, como parcerias. No interior de um cluster poderão existir, de forma informal, relações que ultrapassam as comerciais, ou empresariais, denominadas de redes inter-empresariais8. Favorecidas por um ambiente social9, de cooperação e proximidade sociocultural, estas ligações poderão auxiliar uma melhor coordenação e confiança entre os membros do cluster. Poderá existir maior probabilidade dos membros do cluster, graças ao ambiente criado pelos factores descritos, criarem projectos e parcerias informais de valor acrescentado, ao nível

8

Para melhor descrição conceptual ver o conceito de redes inter-empresariais, desenvolvido na secção 3.3.

9

“Ambiente social” deve ser interpretado não como o ambiente social inerente a qualquer interacção humana

entre dois ou mais agentes (englobando relações de negócios), mas um ambiente informal que origina relações extra-empresariais. Porter cunhou este termo como “social glue”.

7


comercial e tecnológico. Ao mesmo tempo, os spillovers terão uma maior probabilidade de ocorrência, graças à maior facilidade na transmissão de conhecimento tácito10. C) Estrutura externa Em terceiro e último lugar existirá, associada a qualquer cluster, uma estrutura externa. Esta é composta pelos agentes políticos, instituições (públicas e privadas), num ambiente próprio, que poderão favorecer, ou prejudicar, o aumento da competitividade no interior dos clusters. Agentes políticos poderão ter influência no cluster através da gestão dos factores de produção conforme são descritos no diamante de vantagens nacionais (Porter, 1990). Será o seu papel o desenvolvimento dos quatro factores presentes no diamante e a promoção da interacção entre esses mesmos factores. Este ponto será analisado em maior profundidade na sub-secção 2.1.3. As instituições serão agentes que poderão ser compostos por: centros de I&D11, instituições financeiras, associações comerciais ou sectoriais, universidades, centros de formação, entre outros. Estas podem ser desenvolvidas por participação pública ou privada, e podem apoiar o cluster através de: desenvolvimento de inovações, redução dos custos de investimento e financiamento, aumento das qualificações dos funcionários e especialização, transmissão de conhecimento científico e tácito, etc. O ambiente externo ao cluster engloba as condições de procura, como por exemplo a presença de um mercado de grande dimensão12 ou a presença de clientes importantes. O ambiente externo poderá incluir também factores de produção “competitivos”, condições

10

Conhecimento tácito é uma dimensão do conhecimento caracterizada pelo facto de ser constituída por

elementos, como experiências, sentimentos ou pensamentos, dentro de um determinado contexto, sendo portanto ou cognitivos ou técnicos. Ao invés, o conhecimento explícito é composto exclusivamente de conhecimentos e competências concretas (Poupadiuk e Choo, 2006). Durante este trabalho, o conhecimento cientifico será tido sempre como sendo explícito, conforme a sub-secção 2.2.4. 11

Investigação e desenvolvimento. Incluem-se neste campo outros tipos de centros de investigação,

laboratórios, etc. 12

O que sucede nos casos dos grandes centros urbanos, quando o sector é direccionado para consumidores

finais.

8


de concorrência e a estrutura burocrática, atributos presentes no diamante de vantagens nacionais. Os efeitos provocados pelas características analisadas podem ser resumidos no Diagrama 2 abaixo. Seguindo o processo de identificação de consequências de Porter (1998a), pode-se dividir as mesmas em consequências associadas à produtividade, inovação e formação de novas empresas. Estas afectarão os membros dos clusters e a envolvente económica local, pelos motivos acima indicados. Os principais factores de impacto no cluster (proximidade, ligações e relações interempresariais e concentração de empresas) são definidos como pré-requisitos para a existência de clusters. Considera-se portanto, para efeitos conceptuais e no âmbito deste trabalho, que no momento de identificação de clusters, na inexistência destes factores para potenciar os benefícios descritos acima, não se pode considerar a sua presença.

9


DIAGRAMA 2 Consequ锚ncias te贸ricas dos clusters nos seus membros e na economia local.

10


2.1.3 – O diamante das vantagens nacionais e políticas públicas DIAGRAMA 3 O diamante de vantagens nacionais (Porter, 1990)

Porter desenvolveu um conceito que procura justificar a possibilidade das nações, sem recursos naturais ou outras vantagens historicas, atingir a prosperidade (Porter, 1990). Segundo o autor, existe um conjunto de atributos que de forma separada e em funcionamento como um sistema constituem o diamante de vantagens nacionais (Diagrama 3). Estas vantagens nacionais irão influenciar, teoricamente, a competitividade das empresas, tanto a nível local, como internacional (quando tal sucede). Quanto maior o grau de envolvimento entre os quatro atributos, maior será a produtividade das empresas (Martin, 2003), e na opinião de Porter, os clusters são resultado do ambiente gerado. É com estes atributos que as empresas terão de funcionar, e cada sector empresarial estará mais ou menos adaptado a estes. Tal poderá afectar, de forma significativa13, os resultados das empresas:

13

O impacto dos factores nas empresas não está quantificado. O termo é utilizado de forma vaga, indicando a

natureza incerta e dinâmica dos atributos do diamante. Esta indefinição será natural numa exposição conceptual, e o termo deverá ser considerado meramente indicativo.

11


i) Factores de produção específicos. Porter refere-se por exemplo trabalhadores especializados, ou conhecimento científico, a tradição dentro de um determinado sector, ou o ambiente sociocultural. Estes factores afectam os sectores económicos, e sendo bem geridos poderão auxiliar sectores específicos a atingir um elevado nível de competitividade. Este nível deverá ser considerado suficientemente elevado para a empresa poder competir internacionalmente (caso tal seja desejável e/ou possível). ii) Condições de procura. O número e características dos consumidores presentes no mercado interno pode afectar a competitividade das empresas. Permitirá obter certas informações dos clientes, tendências de procura ou necessidades. Possibilita também identificação de onde o esforço de inovação deve ser focado. Por sua vez, o nível de exigência é uma característica poderá persuadir as empresas a cumprir elevados padrões de qualidade. Em geral, podemos afirmar que a procura interna, sendo sofisticada e exigente, pode auxiliar as empresas a obter competitividade. iii) Empresas relacionadas e de suporte. Este atributo tem a mesma significância dos fornecedores especializados e as empresas de sectores relacionados (sub-secção 2.1.2), mas a nível nacional. Tal como sucede com os clusters, estas empresas permitem criar vantagens similares às já discutidas. iv) Estratégia, estrutura e concorrência. Este atributo refere-se ao ambiente empresarial no interior de um país, e à forma como pode afectar as empresas. Porter alude à estratégia como sendo um conjunto de indicações, objectivos e valores que a nação transmite às empresas e que lhes “indica” o caminho. A estrutura da nação afecta as empresas pela burocracia associada, facilidades ou dificuldades ao funcionamento de cada sector de actividade. E o nível de concorrência interna local, que corresponde ao efeito provocado pela presença de uma concentração de empresas do mesmo sector no interior de um cluster.

2.1.4 – O impacto na economia e o seu ciclo de vida O diagrama 2 acima também pode ser utilizado para analisar o impacto que os clusters terão na economia, a nível local ou nacional, em termos de i) produtividade, ii) inovação e iii) formação de novas empresas.

12


i) São identificados por Porter vários benefícios associados à presença de uma qualquer empresa num cluster, em termos de produtividade. Estes provocam, teoricamente, melhorias na competitividade empresarial por redução de custos, ou melhoria de vendas. Ambos terão efeito nos resultados, o que levará ao aumento da capacidade produtiva da empresa, ou novos investimentos, criando empregos. A nível nacional, o aumento do emprego e o crescimento das empresas têm efeito benéfico. Ambos aumentam a riqueza do país, e podem provocar o aumento do consumo, levando a um efeito espiral positivo. Adicionalmente, poderão ocorrer melhorias no diamante de vantagens nacionais, pela criação de factores de produção “especializados”. ii) O conceito de cluster identifica e considera a inovação como outra das possíveis amplas consequências dos clusters. Esta pode ser desagregada em inovações de processo e inovações de produto/serviço. Ambas podem ser divididas de acordo com o impacto e características, em inovações incrementais ou radicais. Sendo as inovações radicais “mudanças revolucionárias na tecnologia” (Popadiuk e Choo, 2006), terão um maior impacto ao nível da empresa e do sector. Este tipo de inovação pode assim ter um impacto suficientemente grande para provocar desequilíbrios estruturais na economia de um país, caso se verifique uma presença significante do sector. Se a inovação for incremental, terá um impacto relativamente inferior e as possíveis melhorias de resultados serão mais localizadas ao nível da empresa. Todavia, as inovações incrementais fazem parte do desenvolvimento normal do produto, e são importantes para as empresas, de forma a manter resultados e quota de mercado (Asheim, 2000). iii) No plano conceptual, algumas das possíveis características dos clusters, como a concentração de conhecimento e de clientes, assim como a criação de um ambiente de empreendorismo e oportunidades, promovem a criação de novas empresas. Pelo Diagrama 2 verifica-se isso mesmo, sendo o resultado o surgimento de novas empresas do sector, fornecedores e empresas relacionadas. Esta consequência poderá ter efeitos ao nível tanto da economia como do emprego, contribuindo para a relevância do sector, e dos sectores relacionados na economia local e nacional.

13


Os impactos acima identificados serão diferentes entre clusters. A sua medição deverá ser efectuada em termos comparativos com empresas que não estejam presentes em clusters. A intensidade de impacto será diferente, algo que também está relacionado com o ciclo de vida dos clusters, analisado de seguida. Derivando das teorias do ciclo de vida do produto e do ciclo de vida da indústria, Porter considera que também os clusters têm um ciclo de vida. Esse ciclo poderá modificar aspectos-chave de cada cluster, e transportar os mesmos por diversas fases. Apesar de existirem vários autores a mencionar os ciclos de vida de cluster directa ou indirectamente através da desagregação em categorias (Wolter, 2003), segue-se, neste trabalho, o ciclo definido por Porter (1998a). A origem dos clusters pode derivar de diversos factores. Em particular, não será o cluster em si que irá surgir, mas sim a concentração14 geográfica que dará origem ao conjunto de factores que a transformam num cluster, num momento posterior (Porter, 1998a). Estes factores podem ser diversos, desde acaso, à existência prévia de outros factores, como recursos naturais (mesmo que entretanto exauridos), localização geográfica relativa, etc. Em alternativa, a localização pode oferecer outras vantagens, como uma fonte de trabalho especializado, ou um mercado com uma dimensão que permita economias de escala. Este último factor não deve ser confundido com o conceito de economias de urbanização (Krugman, 1991a)15. Assim que a vantagem surge e a concentração se inicia e evolui para cluster, começa um ciclo de crescimento. Nesta altura, será necessário o apoio das instituições e outros factores, que irão definir a velocidade e sucesso no crescimento. Esta evolução pode demorar, de acordo com exemplos históricos, mais de uma década até atingir um “ponto de equilíbrio”16 (Porter, 1998a). Diversos autores irão chamar a esta fase de embrionária, ou emergente, utilizando indicadores como o saldo entre nascimentos e mortes de empresas, o

14

Ao longo do trabalho, o termo “concentração empresarial”, ou “concentração de empresas” será utilizado

para referir uma consequência (para obtenção de benefícios), ou uma causa (originando outros benefícios). 15

Ver a sub-secção 2.2.2 para uma melhor explanação dos conceitos.

16

Embora Porter utilize o conceito “ponto de equilíbrio”, este não deve ser entendido como um ponto de

equilíbrio matemático, mas sim uma inflexão da curva de crescimento. O crescimento inicial será, no plano conceptual, exponencial e o ponto de equilíbrio será caracterizado por um abrandamento.

14


crescimento económico e mudanças de produtos (Cortright, 2006). O cluster, por sua vez, será denominado de potencial caso se encontre nesta fase (Rosenfeld, 1997). Após essa fase, estes clusters poderão ou não evoluir. Tal implicará, assim como no passado, uma mudança nas fronteiras geográficas, nos factores de produtividade e competitividade, na estrutura e dimensão internas. Atingindo a “maturidade”, estes poderão usufruir de maior estabilidade. Será nesta fase que se poderá extrair vantagens competitivas e permitir que as empresas pertencentes ao cluster tenham produtividade superior à média (Rosenfeld, 1997). Porém, será durante o seu completo estabelecimento como fonte de vantagens competitivas que o cluster poderá experienciar declínio devido a factores externos. Entre esses factores encontram-se a mudança de necessidades, ou a transformação de um paradigma tecnológico. Existem também factores internos, como a consolidação17 e restrições gerais à concorrência, inércia colectiva e criação de hábitos (Cortright, 2006). Caso o cluster entre em declínio, poderá tornar-se uma concentração económica. Neste momento os agentes de desenvolvimento económico poderão identificar oportunidades para tentar auxiliar empresas a redefinirem-se através de mudanças tecnológicas ou de mercado (Cortright, 2006).

17

Sendo “consolidação” entendida como um processo de múltiplas aquisições de empresas, por empresas

externas ou internas ao cluster. Estando o processo, pelo menos de forma parcial, associado à identificação de ineficiências de gestão, caso o cluster se encontre numa fase de crescimento económico forte, a consolidação pode não se verificar.

15


2.2 – Justificação económica 2.2.1 – Economias de aglomeração Alfred Marshall surge, ainda no século XIX, como o primeiro economista a definir os “antecedentes intelectuais” dos cluster (Porter, 2000b). Este autor considera que, para além da existência de razões físicas18 por detrás da localização de empresas, existem sectores da economia em que a mão-de-obra, de livre vontade, se reúne “dentro das fronteiras de uma cidade industrial ou de um distrito industrial densamente povoado” (Marshall, 1890). As razões adicionais vão desde a “apreciação imediata pelo bom trabalho, invenções e melhorias em maquinaria, nos processos (…)” (Marshall, 1890), às ligações verticais com fornecedores especializados e o acesso a um mercado de trabalho especializado. Tal poderá dar origem a aglomerações empresariais que, em proximidade19, e com outras empresas do mesmo sector, originam consequências directas, atendendo a que se verifiquem as condições adequadas. Estas razões podem ser definidas como economias de aglomeração, externas às empresas individualmente (pressuposto para pequenas e médias empresas) (Engelstoft et al., 2006).

2.2.2 – Economias de localização e urbanização A abordagem teórica presente na sub-secção anterior não permite responder a certas questões como: - Qual a origem concreta das vantagens obtidas pela aglomeração de empresas? - A presença de uma cidade em proximidade beneficia as aglomerações? De que forma? Ohlin (1933) considera assim necessário distinguir economias de aglomeração em economias de localização ou em economias de urbanização. Quanto a economias de localização, utilizando o gráfico I como referência, podemos ver que a expansão de um dado sector de actividade numa dada localização, em concorrência perfeita, leva a que as empresas do sector aí situadas possam beneficiar de economias de

18

Recursos naturais, como a presença de recursos minerais, ou vantagens físicas, como rios, etc.

19

O termo “proximidade” irá ser, ao longo do trabalho, discutido com o mesmo grau de amplitude que os

restantes autores utilizam.

16


escala. A situação inicial caracteriza-se pelo equilíbrio dado pela intersecção da curva D (Procura) com a curva S1 (Oferta), que pela presença de custos constantes e concorrência perfeita, é igual à curva LRAC (Custo médio de longo prazo). As economias reflectem-se na modificação da curva LRAC, associada à expansão desse sector. Essa expansão, pela chegada de empresas adicionais, levam a que o valor mínimo da LRAC seja menor, criando o efeito de economias de escala, externas à empresa mas internas ao sector. Essa modificação irá dar origem à segunda curva S2=LRAC’. Assim, um aumento da procura (D’) para os bens/serviços produzidos por este sector levará não só a um aumento da quantidade, mas também a uma redução do preço (Engelstoft et al., 2006). GRÁFICO I Economias de localização (Engelstoft et al., 2006)

As economias de urbanização estão associadas à dimensão da economia local, não à dimensão do sector. O resultado final é equivalente ao apresentado no gráfico 1, mas por razões diferentes. O tamanho da economia (como uma localização urbana) pode beneficiar todas os sectores presentes através de um maior mercado laboral, economias de escala no aprovisionamento, infra-estruturas e serviços públicos, maior stock de ideias e spillovers (Jacobs, 1969). Conclui-se que para efeitos de determinação da influência de uma aglomeração de empresas, será necessário analisar economias de localização existentes, removendo da análise economias de urbanização.

17


2.2.3 – O efeito das externalidades Economias de localização afectam um dado conjunto de empresas de um sector dentro de uma dada localização, pela sua concentração e em sua função, de duas formas diferentes: efeitos pecuniários e efeitos tecnológicos (Scitovsky, 1954). Externalidades pecuniárias (negativas ou positivas) afectam o preço dos inputs à medida que a concentração cresce. Estas podem ter uma componente localizada, sendo limitadas por custos de transporte, dependendo da configuração da cadeia de abastecimento (Engelstoft et al., 2006). Podemos verificar que o efeito destas externalidades provoca uma inclinação na curva da oferta de inputs à indústria, o que por sua vez provoca um declínio dos custos médios nessa mesma indústria (Engelstoft et al., 2006), como foi visto no gráfico 1. As externalidades tecnológicas, pela via da inovação, afectam de forma directa a função de produção das empresas. Como se verifica pelo gráfico 2 abaixo, as inovações poderão levar ao aumento da quota de mercado e dos resultados. Daí resulta uma deslocação da curva da procura, de D para D’, e mantendo-se a curva de custos médios (S=LRAC)20, tal implica uma deslocação para a direita da curva de procura de emprego ( de L* para L’), provocando um aumento no emprego e no salário de equilíbrio. Este último poderá ser, no longo prazo, ajustado pela migração de trabalhadores para a localização. Os vários benefícios associados às economias da localização, associados por sua vez aos clusters, encontram-se resumidos no diagrama 4 abaixo. As duas primeiras consequências (aumento da produtividade e criação de empresas e emprego) são dedutíveis pelo analisado acima, dentro desta secção. O mesmo não poderá ser dito da última (spillovers), pelo que as suas causas e resultados serão analisados em profundidade na sub-secção seguinte.

20

De notar que este gráfico apresenta uma visão de longo prazo, devido à diferente natureza das

externalidades.

18


GRÁFICO 2 Efeito das externalidades tecnológicas (Engelstoft et al., 2006)

DIAGRAMA 4 Resumo das consequências das economias de aglomeração

2.2.4 – Spillovers Spillovers de conhecimento21, também conhecidos como externalidades “Marshall-RomerArrow” (Cortright, 2006) ocorrem porque o conhecimento tem algumas características de bem público, se for não-rival e apenas parcialmente exclusivo (Engelstoft et al., 2006). Tal significa que as empresas podem adquirir conhecimento e informação, desenvolvida por

21

Ou tecnológicos, como são denominados por Ellison e Glaeser (1997).

19


outros através de I&D, ou adquirida por experiências profissionais, sem custos (Grossman, 1991). Spillovers podem provocar aumento de produtividade, criação de novos produtos e serviços, melhorias de produtos ou processos, em empresas concorrentes ou não-concorrentes, e originar novas empresas, por via do empreendorismo. No entanto, os seus mecanismos de funcionamento são, muitas vezes, mal interpretados, dando origem a alguma confusão sobre a possibilidade dos clusters potenciarem a sua existência, e vice-versa. Todavia, caso se observe a teoria de crescimento endógeno (Romer, 1990) no anexo 16, conclui-se que os spillovers poderão ocorrer com maior facilidade em aglomerações empresariais em proximidade sociocultural quando comparando com outras localizações.

20


2.3 – Críticas ao conceito 2.3.1 – Breve introdução Ao longo desta secção irão ser abordadas diversas críticas que têm sido efectuadas ao conceito de clusters, suas características e impactos. Em primeiro lugar, irão ser discutidos problemas associados ao conceito. A conceptualização dos clusters, na sua fase inicial, tem sido por vezes definida de forma errada, em particular quando o conceito não foi desenvolvido pelo seu autor original. Em segundo lugar serão discutidos problemas de interpretação do conceito. Estes problemas estão relacionados com a forma como agentes interessados, desde académicos, gestores e políticos22, pensam os clusters.

2.3.2 – Problemas conceptuais i) Um dos principais problemas na estrutura teórica dos clusters segundo Porter é a definição de fronteiras. Porter contribui, involuntariamente, para a indefinição referindo que “a extensão dos clusters varia de uma região, estado ou mesmo uma única cidade até à proximidade de, ou até, países vizinhos”, continuando por dizer que “desenhar as fronteiras dos clusters envolve um processo criativo (…)” (Porter, 2000). Uma crítica à falta de definição de fronteiras poderá ser insensata pois é a dinâmica natural do cluster que evita que este forme fronteiras estáticas. É essa dinâmica que provoca e é provocada pela constante entrada e saída de empresas, pela mudança de ligações e relações internas entre empresas e fornecedores, instituições, etc. As ligações entre empresas alteram-se com mudanças tecnológicas ou de mercado, surgindo novas ou reposicionando todo o cluster (Porter, 2000). Porter considera que, em última instância, serão estas ligações que irão definir as fronteiras de um cluster, e de facto, poderá ser mais lógico aceitar a dinâmica subjacente. Apesar de criar indefinição, poderá ser preferível a criar ou definir fronteiras artificiais que em pouco tempo poderão ficar desactualizadas.

22

Estes problemas de indefinição quanto às ligações serão, por vezes, agravados por possíveis pressões ao nível

político para a identificação de clusters, mesmo onde não existem certezas da sua presença (Martin, 2003),

21


ii) As ligações e relações entre as empresas fazem parte do conceito de cluster. Não podemos, pelo que foi exposto na secção 2.1, afirmar que existe um cluster sem existirem relações inter-empresariais. Sem essas, um cluster será uma concentração de empresas, juntas numa dada localização, mas em funcionamento isolado. Porém, Porter não esclarece duas importantes questões que emerge deste atributo do conceito: a) Qual a força das ligações entre as empresas que permita determinar que estas se encontram no mesmo cluster? Deve-se considerar ligações fortes ou também fracas?23 b) Qual a natureza das ligações entre empresas? Devemos considerar apenas ligações comerciais, ou também não-comerciais (sociais ou tecnológicas)? Em relação à primeira questão, Porter não especifica, fazendo alusão a que estas ligações deverão ser suficientemente fortes para potenciar as vantagens nacionais (Porter, 1990) e serão potenciadas pela proximidade geográfica (Porter, 1998a). Caso se queira conferir ao atributo ampla abrangência deveremos considerar qualquer tipo de ligações, incluindo também as fracas. Seguindo as conclusões de Granovetter (1973), sabe-se que mesmo as mais “ligeiras” relações são importantes para a integração de um membro numa comunidade. Serão por isso essenciais para a criação de novas relações interempresariais e para a dinâmica de um cluster. Podemos todavia considerar que apenas uma continuada relação comercial forte poderá provocar vantagens em forma de spillovers. Ao mesmo tempo, Granovetter (1973) considera que são as ligações fortes que “geram coesão local e fragmentação geral”. Tendo em conta estes argumentos, considera-se que, no sentido de compreender a dimensão inicial de um cluster, devem ser utilizadas ligações fortes. Assim, pode-se analisar a fragmentação entre o cluster e o ambiente externo (conforme definido na sub-secção 2.1.2). Porter, num dos seus trabalhos, considera que as empresas e instituições com fracas ligações podem ser excluídas do cluster (Porter, 1998b).

23

Segue-se a definição de Granovetter: “ força de uma ligação é uma combinação (possivelmente linear) da

quantidade de tempo, intensidade emocional, intimidade e os serviços recíprocos que caracterizam o laço.” Segundo o trabalho referenciado, a força das ligações entre duas empresas depende do número de ligações de terceiros a ambas. (Granovetter, 1973)

22


Quanto à segunda questão, sobre a natureza das ligações e relações, a indefinição mantémse. Projectos tecnológicos entre instituições e empresas poderão não levar à criação de fluxos monetários. As ligações comerciais, graças ao histórico que geram, serão identificadas mais facilmente através de dados estatísticos. Porém, as restantes ligações deverão ser consideradas, pois podem dar origem a benefícios, como spillovers e inovações, mesmo que não impliquem um fluxo quantificável (Cortright, 2006). iii) A questão da concentração empresarial prende-se com a escala espacial que se deve utilizar na determinação do grau de concentração presente numa qualquer localização. Especificamente, qual o indicador correcto, e qual o factor de concentração que deve ser utilizado para analisar se pode considerar-se que existe uma determinada aglomeração empresarial. Esta questão é de relevante e de muito difícil resolução, pois Porter, nos seus trabalhos, não indicia pistas para um mecanismo prático e uniforme para a sua determinação. Considera-se que também se deve inquirir sobre a tipologia de concentração. Ou seja, se esta é apenas espacial (número de empresas co-localizadas no raio de x quilómetros), ou se será necessário ter em conta a relevância, ou seja, a percentagem de emprego/volume presente na localização definida. Esta última questão está desenhada no diagrama 5.

DIAGRAMA 5 Comparação de tipos de concentração empresarial

23


Quando Porter refere que é necessária concentração geográfica, de modo a que sejam intensificados os factores de vantagens nacionais e potenciar a competitividade e produtividade, referia-se a24: a) Uma concentração geográfica de relevância nacional (Cluster A), ou b) Uma concentração de empresas com ou sem relevância nacional, mas com um número relevante de empresas permitindo, através de ligações de proximidade, potenciar vantagens competitivas (Cluster B). iv) Como foi visto na sub-secção 2.1.2, Porter considera que proximidade entre os elementos do cluster é crítico para o sucesso do mesmo. No entanto, não há forma precisa de determinar essa proximidade (Martin, 2003), nem meio de comparação em relação à dispersão normal das empresas. Considerando proximidade geográfica, será que a distância máxima para se considerar que duas quaisquer empresas estão próximas deve manter-se a mesma (por exemplo, em quilómetros)? May et al. (2001) sugere que se deve considerar uma proximidade inerente a um cluster até 50 milhas. No diagrama 6, abaixo ilustrado, exemplifica-se um pretenso cluster, em que através de ligações entre as empresas, a sua distância atinge x km (até à empresa H). Porém, dentro desse espaço, a empresa I está ligada à empresa C por uma distância muito superior à das restantes ligações. Fará sentido considerar essa empresa pertencente ao cluster, ou deverá antes ser excluída? Consideramos, neste trabalho, que deverá ser incluída, dado que, apesar de não existirem ligações actuais entre a empresa I e as restantes, a proximidade potencia a possibilidade.

24

Sendo que estas duas possibilidades poderão não ser exclusivas. Noutras palavras, o cluster pode ter o

formato A, o formato B ou qualquer um dos dois?

24


DIAGRAMA 6 Distância de ligações entre empresas num cluster

v) Este ponto relata os problemas de definição interna: a) Qual a dimensão interna normal de um cluster, ou seja, qual a sua massa crítica? Existe alguma medida de definição ou de comparação? b) Qual a composição interna de um cluster? Quais os tipos de empresas, instituições, etc. que devem estar presentes para que se cumpram os requisitos necessários para poder ser considerado um cluster? Quanto à dimensão interna, um argumento a favor da indefinição é que o que define os clusters não é a quantidade de empresas, nem o seu volume (em funcionários ou valores monetários), mas sim a sua qualidade, ou seja, se existe ligações, proximidade e concentração. Caso se opte por esta perspectiva, esta questão torna-se irrelevante. Porém, por diversos motivos, os analistas tendem a desenvolver classificações de clusters25, conforme a sua dimensão interna. Há quem considere que existem 3 tipos de clusters (a. Funcionais – em que os benefícios extraídos do cluster são maiores do que se as empresas trabalharem sozinhas; b. Latentes – o oposto de funcionais, não consegue extrair o potencial

25

Por vezes, graças aos diversos supostos benefícios da existência de clusters, estes geram entusiasmo, por

parte de agentes políticos, que pode levar a pressões sobre a identificação de clusters, mesmo que só estejam presentes alguns dos pré-requisitos.

25


existente; e c. Potencial26) (Rosenfeld, 1997). Há outros ainda que dividem em embrionários, consolidados e maduros (Bianchi, Miller e Bertini, 1997). No que respeita à composição interna porém, Porter considera que podem existir clusters centrados em universidades, outros em PME, outros sem ligações a universidades27, variando em tamanho (Porter, 1998b). Este género de análise terá que ser efectuada de forma individual, analisando o potencial cluster numa perspectiva mais qualitativa. Chega-se mesmo a contestar o conceito por permitir que uma maioria de empresas possam inserir-se num cluster, pelo facto de se manter estas características indefinidas (Martin, 2003). Verifica-se portanto, que as fraquezas associadas ao conceito, estão em geral relacionadas com problemas conceptuais associados por sua vez a questões geográficas, tanto a nível de distancias, fronteiras, dimensões, e socioeconómicas, como as ligações, o nível de agregação e de concentração (Martin, 2003).

2.3.3 – Problemas interpretativos i) A classificação empresarial que é dada a um cluster pode ser considerada um problema quando surgem interpretações erradas do conceito. Refere-se neste ponto à classificações de clusters como “high-tech”, por exemplo. Ou ainda classificações apenas indicativas da sua função produtiva (bens para consumidores, serviços), ou outras generalidades. Tal leva a potenciais erros na identificação de clusters, pois na realidade não é possível garantir que haja qualquer género de ligação ou interesses comuns entre as empresas e poderá impedir a correcta identificação de outros clusters ou potenciais clusters na mesma região (Porter, 2000b). ii) Outro dos problemas é a determinação do espectro dos clusters. Porém, deveremos analisar os clusters a que nível de agregação industrial? (Martin, 2003)

26

Cortright é muito crítico desta divisão, considerando que as definições estabelecidas permite definir qualquer

conjunto de empresas como potencial cluster (Cortright, 2006). 27

A presença de instituições será essencial à orgânica do cluster caso estas sejam necessárias para que as

fontes de vantagens competitivas sejam exploradas na sua plenitude. Caso contrário, poderá, de facto, existir um cluster, sem essas ligações.

26


Apesar de esta característica poder criar alguma confusão, está também relacionada com o problema da dimensão visto acima. Ou seja, esta característica é também flexível (apesar que menos dinâmica), e embora seja necessária a sua definição, acaba por perder relevância. Se, ao ponderarmos sobre este ponto, tivermos em mente a dinâmica dos clusters e as suas possíveis configurações e características, conclui-se que não se deverá atribuir classificações aos clusters previamente à sua identificação e análise profunda. Considerando os prérequisitos para a existência de um cluster, verifica-se que será o tipo de empresas ligadas e concentradas em proximidade que o irá determinar. iii) Procurar uma definição de cluster que gere consenso é difícil, se não impossível (Almodovar, 2009). Mesmo considerando que tal se deve ao estado inicial de desenvolvimento do conceito (Markusen, 2003), esta multiplicidade de definições cria dois tipos de problemas. Em primeiro lugar, impede a retirada de conclusões generalizadas para qualquer cluster em investigações práticas, e em segundo lugar, impede o consenso teórico. Ao longo deste trabalho, e à medida que foi efectuada a revisão bibliográfica, foram encontradas diversas definições para o conceito de cluster. Estas definições estão resumidas nas tabelas 1.1, 1.2 e 1.3 demonstrando a presença de uma multiplicidade de interpretações, que tendem a focar-se nos aspectos relacionados com as ligações ou com a proximidade28. Apesar dessa multiplicidade, a concentração empresarial (pressuposto identificado na subsecção 2.1.1) está presente nas definições encontradas, ou no seguimento das definições, ao longo do trabalho. A primeira tabela resume as definições que focam os aspectos associados à proximidade de empresas, negligenciando a presença de ligações e relações. Estas definições foram retiradas de diversos trabalhos associados à exploração do conceito de clusters ou ao seu mapeamento. A segunda tabela foca, inversamente, as ligações entre as empresas, em particular as redes inter-empresariais e a sua capacidade e associação com o desenvolvimento de conhecimento e inovação. A última tabela (1.3) resume as definições do conceito de cluster que abrangem todos os pré-requisitos.

28

Estas tabelas foram adaptadas com auxílio de Almodovar (2009) e Martin et al. (2003).

27


TABELA 1.1 Definições de “cluster” – Foco na proximidade

Se observarmos a tabela 1.1 acima, e focarmos as definições de Swann e Prevezer (1996), Oakey et al. (2001) e Bresnahan et al. (2001), verificamos que estes autores realçam a proximidade. Não efectuam qualquer definição, mesmo que abstracta, de fronteiras, nem focam qualquer aspecto relacional29. Este tipo de definição vaga leva à simplificação dos critérios e a possível confusão entre clusters e concentrações empresariais.

29

Como cooperação, colaboração, parcerias, presença de instituições e/ou empresas relacionadas, etc.

28


TABELA 1.2 Definições de “cluster” – Foco nas relações e ligações

A tabela 1.2 acima mostra algumas definições que focam os aspectos inter-relacionais dos clusters. Porém, verifica-se em algumas (DeBresson, 1996; Hertog e Maltha, 1999; Roelandt e den Hertag, 1999) uma possível confusão entre o conceito de redes e clusters.

29


TABELA 1.3 Definições de “cluster” – Foco em ligações e proximidade

De notar, como ponto positivo, que diversos autores começam a utilizar as definições de Porter (1998b; 2000b) como base teórica para os seus trabalhos, ao invés de criar a sua própria (Carrol, 2008; Almodovar, 2009; Feser, 2005; Kelton et al., 2008). Tal poderá auxiliar a que se forme uma noção idêntica e geral do conceito, promovendo a sua consolidação.

30


2.4 – Análise quantitativa do conceito As metodologias de mapeamento podem ser divididas, como iremos ver no capítulo 4, em estatísticas e informativas. Uma vez que as primeiras são baseadas em dados estatísticos, é necessário efectuar a passagem da teoria dos clusters do plano conceptual para o plano prático. Ao mesmo tempo, espera-se compreender, em termos reais e práticos, os pressupostos de existência e correspondentes consequências. Esta secção, em conjunto com as anteriores, permitirá comparar as metodologias de mapeamento existentes e verificar a sua adquabilidade e enquadramento com o conceito. Permitirá também retirar conclusões sobre possíveis ajustamentos a efectuar às metodologias ou aos dados utilizados, com vista à melhoria da identificação de clusters. Sabe-se, portanto, que clusters são aglomerações de empresas ligadas, do mesmo sector e sectores relacionados, em proximidade, que permite: i) cooperação (não exclusiva); ii) concorrência em proximidade; iii) transmissão de conhecimentos tácitos; iv) partilha de risco; v) existência de um maior mercado de mão-de-obra qualificada; vi) incentiva a aglomeração em proximidade de fornecedores especializados. i) A cooperação em proximidade possibilitará, pela frequência de contactos e relações sociais mais fortes, inovações em processos produtivos, que afectarão a “eficiência e qualidade operacional”30 no interior das empresas. Estas inovações podem ser ou não efectuadas em parceria com fornecedores especializados. Em conjunto com empresas relacionadas e/ou instituições de conhecimento 31 , permitirá um maior número de

30

Este termo “eficiência e qualidade operacional” é utilizado como substituto do termo “competitividade”,

utilizado por Porter. Considera-se que será mais adequado, transmitindo uma melhor ideia das consequências. Ou seja, quando utilizado, o termo refere-se a vantagens que se irão refletir em impactos reais nos resultados operacionais (de acordo com uma qualquer demonstração financeira), por modificação de uma ou várias rubricas. Como exemplo podemos referir os custos com o pessoal, vendas, custos de mercadorias, fornecimentos e serviços externos, etc. 31

Como, por exemplo, universidades, centros de investigação, etc., públicas ou privadas.

31


inovações em processos e em produtos/serviços. São também causa de spillovers, ou em alternativa, de aumento da quota de mercado32. ii) Como consequências directas da concorrência em proximidade, conceptualmente teremos custos salariais mais elevados e especialização/segmentação das empresas do mesmo sector, o que por sua vez irá afectar a eficiência e qualidade operacional. iii) A transmissão de conhecimentos tácitos, tem duplo efeito. Em primeiro lugar, aumenta a eficiência e qualidade operacional, e em outras situações, spillovers. iv) A partilha de risco funcionará graças à concentração de empresas que necessitam de recursos similares, pois promove uma melhor recuperação pessoal depois de fracassos. Também originará menor custo com I&D, pela cooperação com outras empresas e/ou instituições de conhecimento. Consequentemente, observa-se um aumento nas inovações de produto/serviço e do empreendorismo que culmina em novas empresas. Este ponto pode ser reforçado pela presença de instituições como fundos de capital de risco. v) A dimensão do mercado de mão-de-obra, devido à concentração de empresas, pode aumentar. Tal leva a uma redução nos salários e maior produtividade, pois a abundância de funcionários dá às empresas maiores probabilidades de contratação de pessoal com as qualificações correctas e experiência no sector (ou num sector relacionado). A concorrência entre mão-de-obra terá um efeito negativo nos salários. Ambos factores afectam directamente a eficiência e qualidade operacional. Indirectamente, também irão auxiliar à inovação, tanto em processos como em produtos/serviços. O efeito pode ser ainda maior caso exista uma presença de instituições de conhecimento que permitam a formação da mão-de-obra. vi) Por último, os fornecedores especializados, em concentração e proximidade, fornecem inputs com maior eficiência e relação custo/qualidade. Algumas das vantagens

32

O aumento da quota de mercado será a consequência direta do surgimento de inovações no interior de uma

empresa. Caso seja uma inovação de produto ou serviço, pode afetar as suas vendas e as da concorrência direta e indireta, sendo que as inovações radicais terão um maior impacto do que as incrementais.

32


previstas são: a redução dos custos de transporte, armazenagem e inputs 33 , maior facilidade em encomendas à medida e acesso a equipamentos específicos. Estas vantagens afectam directamente a criação de inovações de processos e a eficiência e qualidade operacional. Todas estas consequências vão afectar, como foi visto, de forma directa ou indirecta, três factores das empresas: •

Maior margem operacional e consequente melhoria dos resultados e crescimento, por aumento da quota de mercado, redução de custos operacionais e inovações nos processos e produtos/serviços;

Aumento do número de empresas concentradas, por efeito dos spillovers e do empreendorismo, e pela popularidade que o cluster poderá ganhar, atraindo novos empreendedores e empresas;

Aumento do emprego, pelo crescimento das empresas presentes, e do número de empresas criadas, tanto a nível local como nacional;

Deve também ser feita referência, para terminar, a dois impactos externos que têm consequências nos clusters. Nomeadamente, a presença de um mercado interno de consumidores exigentes, que poderá aumentar a probabilidade de sucesso das inovações em produtos/serviços. A presença de instituições especializadas, como bancos e seguradoras, permitirão a redução de custos financeiros e de investimento. Estas instituições também poderão auxiliar no crescimento das empresas presentes, e no número de empresas criadas. Porém, estes factores não são essenciais para o cluster, nem determinantes, pelo que, numa análise mais limitada, deverão ser desconsiderados. Em anexo (anexo 1) encontra-se o diagrama que resume a desagregação quantitativa aqui explanada. Através deste, podemos verificar as ligações e a complexidade das relações e efeitos causa/consequência.

33

Os dois primeiros obtém-se, teoricamente, pela proximidade geográfica. O segundo, pela venda em

quantidade.

33


3 – CONCEITOS RELACIONADOS 3.1 – Os distritos industriais Os distritos industriais partem da premissa que as empresas podem alcançar economias de escala, sendo que estas serão internas a cada empresa (através de ganhos na eficiência da gestão), ou externas (à empresa) mas internas à indústria pelo seu crescimento e desenvolvimento económico (Marshall, 1890). Argumenta-se que esses ganhos externos são obtidos pela divisão técnica externa do trabalho (portanto, entre empresas) e que tal só será possível através da concentração de pequenas empresas similares 34 em localidades específicas35. Esta divisão de trabalho entre pequenas empresas permitirá, segundo Marshall (retirado de Asheim, 2000), “a máxima economia” 36 . Ao mesmo tempo, foca-se dois aspectos essenciais: o meio social e o ambiente industrial. O meio social criado entre a comunidade local e as empresas permite confiança e conhecimento mútuo, e leva a menores custos de transacção. O ambiente industrial facilita a criação de uma base de mão de obra especializada e a transmissão de conhecimento tácito. Os dois aspectos em conjunto por sua vez levam à criação de inovações incrementais e à difusão de conhecimento entre as empresas (pequenas ou médias) (Asheim, 2000). O distrito industrial italiano, uma categoria específica deste tipo de distritos, segundo Boix e Galletto, e seguindo o trabalho de Becattini (Boix e Galleto, 2006), consiste numa “entidade sócio-territorial que é caracterizada pela presença activa tanto de uma comunidade de pessoas como uma concentração de empresas numa área historicamente e naturalmente limitada”. Estes distritos estão relacionados com a comunidade envolvente, e com a forma esta organiza a produção do sector motriz. O ênfase é colocado na relação casa-trabalho e no

distrito

em

si,

e

não

nas

relações

inter-empresariais.

Este

é

delimitado

administrativamente, com as funções de gestão, promoção e desenvolvimento atribuídas aos governos regionais em que o distrito se encontra (Sforzi, 2009).

34

Na secção referente aos distritos industriais, quando se menciona “empresas similares”, refere-se a empresas

que operam em torno do mesmo produto, mas não necessariamente no mesmo ponto da cadeia de fornecimento, ou mesmo sector de atividade. 35

Não confundir com “localização”. Os distritos industriais abrangem as comunidades envolventes, o que

implica a presença de localidades e a associação de cada distrito industrial a uma ou mais localidades. 36

Referindo-se à melhor exploração possível dessas externalidades.

34


Segundo os economistas italianos, a vertente sociocultural provoca uma alteração no comportamento das empresas, levando a que estas “ganhem raízes” na localização, pelas relações com a comunidade local (Bellandi, 1990). Esta teoria segue muito de próximo a ideia de “embeddedness” de Granovetter (1985), considerada fundamental para a criação e funcionamento dos distritos industriais (Asheim, 2000). A tabela 2 abaixo resume as características desta tipologia de distritos. TABELA 2 Características estruturais dos distritos industriais

A tabela 3 abaixo resume, por sua vez, as principais diferenças identificadas entre os distritos industriais italianos e os clusters, de acordo com o mencionado acima e no capítulo 2.

35


TABELA 3 Quadro-resumo – comparação entre distritos industriais e clusters

36


3.2 – Os pólos de competitividade Os pólos de competitividade são baseados e fundamentados de acordo com a teoria dos pólos de crescimento e tecnológicos, desenvolvida nos anos 60 por economistas franceses, liderados por Perroux (Hotz-Hart, 2000). Porém, apesar deste conceito partilhar a base teórica, na realidade trata-se de algo diferente. Segundo Figueiredo (Figueiredo et al., 2005), estes pólos devem ser entendidos como “políticas públicas e processos de inovação científica e tecnológica”. Tal será efectuado através do desenvolvimento regional e aquisição, por parte das empresas, de competitividade internacional que lhes permita, na maioria dos casos, atingir posições de liderança. O conceito em si não está explorado de forma aprofundada. De facto, sendo sobretudo baseado numa política económica pública por parte do governo francês, tenta partir do fracasso dos pólos de crescimento, criando regras, objectivos mais específicos e dinâmicas de forma a evitar o que se sucedeu previamente. O programa em si é mais complexo, e tem como ponto de partida a sua definição: “O Pólo de Competitividade é a combinação, num determinado espaço geográfico, de empresas, centros de formação e de unidades de investigação pública ou privadas, empenhados numa parceria destinada a criar sinergias em torno de projectos comuns inovadores” (Retirado de Figueiredo et al., 2005 – Texto de apelo à apresentação de projectos)37. E tem como base 3 objectivos: Aumentar a inovação; reforçar as actividades, preferencialmente industriais, de forte conteúdo tecnológico ou criativo no seu território; e melhorar a atractividade da França e aumentar a visibilidade internacional.

37

O website oficial para a iniciativa apresenta a definição: “Um pólo de competitividade junta, num

determinado território, empresas, laboratórios de investigação e estabelecimentos de formação, para o desenvolvimento de sinergias e cooperações. Inclui também outros parceiros como organismos públicos, locais ou nacionais, bem como serviços para os membros associados ao pólo. O objectivo é a construção de sinergias e projectos inovadores, em colaboração, que permita às empresas associadas atingir uma posição de liderança, nacional e internacional, dentro do seu sector” (http://competitive.gouv.fr).

37


Baseando assim o programa em 3 prioridades: Incentivo à implementação de parcerias entre actores com competências reconhecidas e complementares; construir projectos estratégicos em cooperação, podendo beneficiar de apoio do Estado, incluindo fundos, e deverão ser coerentes com o respectivo plano de desenvolvimento do território de referência; promover um ambiente global favorável à inovação entre os membros do pólo, através de acções de animação, de apoio e acompanhamento mútuo dentro de temáticas como formação de recursos humanos, propriedade industrial, financiamento, internacionalização, etc. A ilustração 1 abaixo, retirada do website oficial (http://competitivite.gouv.fr/) resume o efeito pretendido pelo governo francês com o seu programa de incentivo à apresentação de projectos para a criação de pólos de competitividade.

38


ILUSTRAÇÃO 1 O funcionamento dos pólos de competitividade em França

39


Numa perspectiva geral, pode-se afirmar que os clusters e os pólos de competitividade não partilham muitas semelhanças. Podemos considerar que o único ponto em comum entre os dois conceitos são os efeitos desejáveis na competitividade das empresas e consequente melhoria do ambiente económico das localizações em que se situam. Apesar de os objectivos finais serem os mesmos, os passos dados para atingir esses objectivos são inequivocamente opostos. Como será possível verificar pela análise da tabela 4, será mais adequado associar aos pólos de competitividade as iniciativas de desenvolvimento de clusters, do que ao conceito de clusters em si38. Ao contrário dos clusters, os pólos não são fenómenos associados à presença de vantagens nacionais e locais que incentivam as empresas à localização numa dada zona. É uma política pública, definida como tal, e que cria os “clusters”. Estamos portanto a comparar dois conceitos que parecem pertencer a extremos opostos, tanto a nível de conceptualização, como implementação prática e que por isso poderão apresentar resultados diferentes.

38

Os mecanismos de funcionamento das iniciativas para promoção e desenvolvimento de clusters não são

discutidas neste trabalho, mas para mais informações sobre o seu funcionamento e estado actual, é possível consultar o The Cluster Initiative Greenbook (2003).

40


TABELA 4 Quadro-resumo – comparação entre pólos de competitividade e clusters

41


3.3 – As redes inter-empresariais O conceito de rede está já delimitado há muito tempo, quanto aos seus efeitos nas empresas. A sua utilização para explicar as ligações empresariais entre fornecedorconsumidor num prisma microeconómico, foi, durante anos, a única perspectiva desenvolvida (Sternberg, 2000). Porém, existem estudos que mencionam e atribuem agora papéis diferentes. Esse facto estará associado à gradual relevância das redes em termos organizacionais e ao interesse em novas formas de gestão, mais especificamente, à constatação da ineficiência de grandes empresas (Peck, 2000). Efectuar uma distinção entre conceitos torna-se portanto necessária, não sendo possível a utilização de um só termo ou teoria. Existem redes baseadas em relações contratuais ou de mercado, outras baseadas em relações informais. Outras ainda em interesses comuns, variando também em termos de duração, objectivo, distanciamento geográfico e outros factores (Powell e Grodal, 2006). Assim, nesta secção, apenas serão focados as redes que podem ser consideradas uma forma de organização diferente dos clusters. Ou seja, serão apresentadas no sentido em que apresentam benefícios e vantagens que podem ser considerados suficientes para “substituir” os clusters, ou torna-los negligenciáveis. Iremos portanto analisar as redes inter-empresariais informais, com ou sem proximidade geográfica, e os seus impactos nas empresas, e nas regiões (no caso das redes de inovação regionais), conforme a seguinte definição: As redes, como forma de organização, podem ser definidas como qualquer conjunto de actores (n≥2) que interagem em relações de troca repetidas e continuadas entre si e, ao mesmo tempo, não possuem autoridade organizacional legítima que lhes permita arbitrar e resolver conflitos que possam surgir durante essa relação (Podolny e Page, 1998).

Segundo vários autores, em diversos estudos resumidos por Podolny e Page (1998), este tipo de organização empresarial poderá resultar em diversos benefícios: - Favorece a aprendizagem, graças à conservação do pensamento autónomo, e à transmissão de conhecimentos em maior quantidade e qualidade. Tratando-se de uma relação de confiança, permite a adição de experiências profissionais ao conhecimento, melhorando-o; - A presença de um membro com reputação e status na rede leva a que os benefícios associados a tal sejam transmitidos também aos outros membros. Por sua vez, tal origina um acréscimo de valor, e maiores probabilidades de crescimento económico; 42


- A redução de custos transaccionais e aumento na qualidade, sobretudo nas relações entre comprador e fornecedor; - Uma resposta mais rápida a mudanças, pela transmissão de informação e menor burocracia; - Redução do risco e incerteza nos projectos de I&D e de investimento. Porém, as redes inter-empresariais não estão isentas de desvantagens e críticas. Algumas das formas de redes inter-empresariais, nomeadamente as alianças estratégicas e as jointventures têm sido criticadas pela reduzida taxa de sucesso e curto tempo de vida (Podolny e Page, 1998). Uma análise comparativa entre as vantagens e desvantagens das redes em relação a outras formas de coordenação é dada pela tabela 5 baseada em Powell (1990) e resumida em Almodovar (2009). Podemos concluir que as redes inter-organizacionais são de facto uma forte alternativa, sobretudo às hierarquias, e em sectores tecnológicos ou criativos. TABELA 5 Vantagens e desvantagens associadas às redes (Powell, 1990), resumo de Almodovar (2009)

43


Em comparação com clusters devemos ter em conta que as redes interempresariais são parte integral destes, e portanto, a sua forma de organização é uma das suas duas principais características (Gordon e McCann, 2000). A tabela 6, retirada de Maskell e Lorenzen (2004), e já analisada por Almodovar (2009), tenta resumir as principais diferenças que se poderá encontrar entre as redes interempresariais, em alguns dos seus tipos mais formais e os clusters39. TABELA 6 Quadro-resumo comparativo entre clusters e redes (Maskell e Lorenzen, 2004)

39

Não é considerado, para efeitos deste trabalho que os clusters se baseiem apenas em ligações fracas,

havendo uma maior proximidade entre os conceitos do que a definida na tabela.

44


4 – O MAPEAMENTO DE CLUSTERS 4.1 – A necessidade de mapeamento Um pouco por todo o mundo têm surgido diversas políticas económicas que podem ser catalogadas como “políticas de desenvolvimento económico baseadas em clusters”

40

(Carrol, 2008). Estas políticas, lançadas através de governos de países desenvolvidos e em desenvolvimento,

instituições

internacionais,

não-governamentais,

agências

de

desenvolvimento, etc. têm um objectivo comum: obter o maior impacto possível na economia, com a utilização de recursos limitados, através da identificação e potenciação de clusters. Para o seu sucesso será crucial a correcta identificação de locais onde existem maiores probabilidades de existir clusters, ou potenciais clusters. Sendo este tipo de política microeconómica, a sua implementação será preferencialmente local, havendo uma preferência por abordagens regionais 41 (Carrol, 2008, Engelstoft, 2006; Cortright, 2006; Porter, 2003). Assim, também o mapeamento tende a ser efectuado dentro dessa unidade geográfica, através da utilização de dados regionais, procurando-se a identificação das chamadas “Potential cluster regions (PCR)”42. Desta forma, todos os agentes associados ao desenvolvimento económico e empresários estarão motivados para a identificação de clusters ou PCR. Existirá assim a possibilidade de evoluir para uma nova forma de políticas económicas que irão auxiliar ao crescimento económico regional e nacional (Ketels, 2003). Porém, em muitos casos, este entusiasmo e esperança associada ao conceito de clusters, em torno da competitividade, tem sido mal orientado, permitindo-se mapeamentos menos correctos. Estes derivam entre incompletos e os que em geral expressam “nada mais do que apenas o desejo de existência” (Martin, 2003). Tal situação serve apenas para enfraquecer o

40

Este termo é a tradução directa de “Cluster Based Economic Development (CBED)”, conforme explanado

por Carrol, 2008. 41

Como unidade geográfica, por oposição de local (análises a freguesias/condados/locais/etc.), ou nacional.

42

Definidas como “concentração de empresas em proximidade geográfica que poderá ter o potencial para se

tornar um cluster. Porém, na ausência de uma vontade para cooperação em acções conjuntas, o cluster não será viável.” (Carrol, 2008).

45


conceito. Todavia, verificam-se melhorias, e as metodologias aproximam-se cada vez mais do esperado em termos de qualidade e extensão.

4.2 – O mapeamento rigoroso Existindo a necessidade de efectuar o mapeamento de clusters, coloca-se agora a questão de qual a metodologia e qual a sequência de passos que originará o mapeamento mais rigoroso. Entendendo-se rigoroso como algo exaustivo, metódico e exacto, pretende-se que o resultado final da metodologia, as localizações identificadas, sejam o mais próximas do conceito teórico quanto possível. Ao longo das secções seguintes serão expostas diversas metodologias de mapeamento criadas com o objectivo de identificar clusters. A sua diversidade não se limita à quantidade, mas também ao tipo de abordagens efectuadas para atingir o objectivo. Para um mapeamento rigoroso de clusters será necessário que sejam identificados os prérequisitos para a sua existência, e confirmadas as suas consequências. Verificou-se que na globalidade dos casos, as metodologias não cumprem com esta necessidade. Porém, auxiliam na determinação de possibilidades e propõem soluções que tentam contornar as dificuldades inerentes na associação entre a teoria e a execução prática. Em resumo, conclui-se que, tendo em conta a dificuldade na determinação dos prérequisitos, será lógico que a metodologia inclua diversos e diversificados passos. Recorrendo-se a metodologias de identificação parcial, e aglomerando os resultados, perspectivando a obtenção de informação rigorosa, poderá obter-se uma aproximação fiável da localização de clusters.

46


4.3 – As metodologias de mapeamento de concentrações geográficas 4.3.1 – Introdução Alguns dos mapeamentos focam em específico determinadas particularidades dos clusters, como a proximidade, as ligações e relações ou o nível de concentração empresarial. Nalguns casos, argumenta-se que a identificação de concentrações geográficas é suficiente para a determinação de clusters (Duranton, 2005; Kelton et al., 2008; Krugman, 1991), enquanto outros consideram que esta é apenas uma parte do conjunto de metodologias que irá compor a metodologia de mapeamento final (Ketels, 2003; Porter, 2003, Cortright, 2006; Engelstoft et al., 2006; Carrol et al., 2008). A identificação inicial de clusters pode ser feita através de uma metodologia prática de identificação de concentrações numa dada localização (Markusen, 1994). Permite-se assim determinar as zonas do país com maior número de empresas de um determinado sector de actividade. A execução deste passo, por ser importante para a análise geográfica e para a sua utilização como base de suporte para determinações mais avançadas, deve ser efectuada com base numa metodologia que obtenha resultados sólidos.

4.3.2 – Coeficiente Espacial de Gini O Coeficiente de Gini, conforme a sua versão original, existe já desde 1912, sendo utilizado para efectuar comparações a disparidades de rendimento entre países. A fórmula da sua aproximação é, para N observações, indexadas de i=1 até N de forma crescente: !

! =1−

!! − !!!! !! − !!!! !!!

Em que Xk e Yk são os valores acumulados da variável X e da variável Y respectivamente. Krugman (1991b) modificou a sua forma de utilização para a determinação de concentrações empresariais, utilizando o coeficiente para observar se um sector particular está concentrado num número reduzido de regiões, ou disperso43.

43

A metodologia pode ser explicada com o exemplo exposto em Geography and Trade (Krugman, 1991b)

47


Como é possível ver, pelo gráfico 3 abaixo, a distribuição geográfica de emprego para o sector para as regiões é diferente da distribuição geral do emprego. Graficamente isso corresponde à área entre a linha azul e a linha preta (linha de 45º). Neste exemplo existe uma diferença entre os dois, demonstrando um efeito de concentração. Na situação da linha ser igual à linha de 45º, o valor do coeficiente será 0 e haverá uma distribuição do emprego do sector A igual à distribuição total de emprego pelas regiões. GRÁFICO 3 Aplicação prática do coeficiente espacial de Gini (Krugman, 1991b)

Sector  A   1,2  

Sector  A  

1   0,8   0,6   0,4   0,2   0   0  

0,2  

0,4  

0,6  

0,8  

1  

1,2  

Além de Krugman (1991b), também Malmberg (1996) e Porter (2003) utilizaram este indicador. A sua utilização apresenta duas desvantagens cruciais, que levam ao seu uso limitado. Em primeiro lugar, não existe qualquer valor limite para se considerar uma concentração relevante. Ou seja, considerando qualquer valor do coeficiente acima de 1, pode estar a localizar-se concentrações excessivas (O’Donoghue e Gleave, 2004). Em segundo lugar, apresenta maiores dificuldade de aplicação em comparação com o quociente de localização, em termos de análise de uma só região.

4.3.3 – Quociente de Localização Os indicadores de localização (LQ) são, pela sua simplicidade, clareza e disponibilidade de dados, a metodologia mais utilizada para a identificação de concentrações de empresas (O’Donoghue e Gleave, 2004). 48


Esta metodologia, desenvolvida por P. S. Florence (Guimarães, 2009), e exposta por vários autores (Sforzi, 2009; Lazzaretti, 2008; Porter, 2003) utiliza a equação seguinte. Para efeitos de identificação e análise de concentrações empresariais, o indicador normalmente utilizado é o emprego, pois estes dados são, por norma, os mais disponíveis.

E j ,i LQ j ,i =

E j ,t

Ei Et

Na equação, Ej,i é o emprego, na localização analizada j, da actividade económica i, que dividindo pelo emprego para a mesma actividade no país inteiro, Ei, permite obter a concentração de emprego de uma determinada actividade económica na localização. Este valor é então corrigido pela soma do emprego na totalidade de actividades económicas concentrado em j, Ej,t, em comparação com o emprego total do país, Et. A correcção da primeira divisão pela concentração de emprego total na região justifica-se pois caso contrário, uma zona com pouco emprego poderia não revelar uma especialização num determinado sector44. Ou seja, se uma proporção elevada do emprego nacional se concentrar numa só localização, levando o segundo divisor a um valor próximo de 1, o LQ será superior. Se o valor do LQ for superior a 1 numa qualquer actividade económica, considera-se que essa actividade está concentrada nessa zona (Carrol, 2008). Pela análise da equação acima e dos seus determinantes, podemos identificar alguns problemas com este indicador: i) Em primeiro lugar, a definição do valor de 1 como limite mínimo para classificação de concentração geográfica de empresas de um determinado sector é criticada abertamente por diversos autores (Carrol, 2008), pois aparenta ser definido de forma aleatória 45 . Malmberg e Maskell (2001), baseados num estudo prévio, sugerem o valor de 3 para o LQ, sem justificação aparente (O’Donoghue e Gleave, 2004). Miller et al. (2001) por sua vez

44

A primeira parte da divisão iria revelar uma baixa percentagem de emprego nesse sector na zona.

45

Ver anexo 14 para um exemplo prático deste problema.

49


considera relevantes concentrações com um LQ regional mínimo de 1,25 e que empreguem mais de 0,2% do total da população empregue na região. Para evitar este problema, O’Donoghue e Gleave (2004) recomendam uma modificação à equação base do quociente de localização. Propõem a criação de um quociente de localização normalizado (SLQ), ou seja, cujo valor indicativo de concentração é estatisticamente significante, ao invés de seleccionado. Para tal, além do cálculo do LQ conforme metodologia já descrita, deverá também verificarse a significância estatística utilizando um teste de normalidade. Caso o desvio seja elevado, sugerem a logaritmização da função. Conclui-se transformando os valores de LQ (logaritmizados ou não) em valores para o teste z, e identificando-se os resultados que superam 1,96 desvios-padrão, excepcionais em relação a uma distribuição normal. Os autores sugerem que em alternativa o valor acima de 1,65 possa ser mais indicado, tendo em conta as propriedades do LQ. ii) Em segundo lugar, o indicador não controla quanto à dispersão do emprego. Por exemplo, devido ao planeamento e gestão do território, são definidas zonas industriais. Caso não se considere estas zonas, podem observar-se concentrações de empresas por razões não associadas à obtenção de benefícios. Ao mesmo tempo, da perspectiva do indicador é indiferente a presença de uma grande empresa com um determinado número de empregados numa dada localização, ou uma série de empresas pequenas que em conjunto albergam o mesmo número de funcionários. Ellison e Glaeser (1997), Duranton e a Overman (2005) e Devereux et al. (2004) consideram que este problema gera dificuldades na distinção entre aglomerações e concentrações46. iii) Em terceiro lugar, deve-se ter em conta que a análise consiste num código de actividade, impedindo assim a determinação da localização de empresas relacionadas (Cortright, 2006). Ao mesmo tempo, existem sectores de actividade económica que são locais, e portanto, não será lógico analisar empresas de serviços locais e empresas de exploração de recursos naturais.

46

Nesse sentido, a partir do presente capítulo introduz-se a denominação de “aglomeração” para distinguir

entre concentrações empresariais resultantes de decisões e vontades individuais, e as restantes.

50


iv) Em quarto lugar, é também necessário ter em consideração o facto da escala espacial afectar os resultados de forma substancial47. Este problema agrava-se pela indefinição das fronteiras dos clusters a nível conceptual e a sua variabilidade (Carrol, 2008). v) Por último, o tamanho do sector não é tido em conta. Se o valor do emprego total para o sector analisado for reduzido, LQ elevados são obtidos com maior facilidade (O’Donoghue e Gleave, 2004). Para solução deste problema, Fingleton et al. (2004) ajustam o quociente de localização, através da denominada medida de “horizontal clustering (HC)”. O quociente de localização passa a ter o seguinte formato: !!,! !"!,! =

!!,!

!!

=1

!!

Em que !!,! é o número de empregos do sector i na localização j que, em conjunto com os restantes valores (reais) dá ao LQ o valor de 1. Assim, !" = !!,! −   !!,! , ou seja, o número de empregos no sector na localização que excede o número de empregos esperados para o sector, a nível nacional, controlando quanto à dimensão do sector (O’Donoghue e Gleave, 2004).

4.3.4 – Índices de Correlação Espacial – Gi* Uma forma alternativa de identificar concentrações empresariais é a utilização de índices de autocorrelação espacial. O índice Gi* foi criado com o objectivo de efectuar análises espaciais e identificar “hotspots”, ou seja, concentrações na distribuição espacial. O objectivo passa pela identificação de vizinhanças (definidas de acordo com a unidade espacial, e distância) que apresentam valores semelhantes (da unidade económica a analisar) (Carrol, 2008). Assim, o índice Gi* é expresso em desvios-padrão, na seguinte forma:

47

Este problema foi denominado de “Modifiable Areal Unit Problem (MAUP)” (Marcon e Puech, 2010).

51


!!∗ =

! !!" !!"

!

− !! !

!!!" − !!! !−1

Em que: ! é o emprego local, no código de actividade empresarial seleccionada, !!" é o peso espacial que define locais vizinhos (j) ao local (i), e !! é a soma dos pesos !!" . ! é a média de emprego (seguindo o mesmo exemplo do Quociente de Localização) ao nível local para a região, ou seja: !=

! !!

!!!

;

!!" =

! ! !!" ;

e !! =

! ! !!

!!!

− !!

Este indicador pode ser testado relativamente à sua significância estatística (por via de um teste z), sendo que valores maiores que 1,96 serão estatisticamente significantes com um intervalo de confiança de 95%. Para este indicador, a especificação da vizinhança local (como o nº de freguesias vizinhas dentro de uma região) através da matriz de pesos espaciais é importante. Tal como acontece no LQ, uma mudança nas definições irá resultar em diferentes vizinhanças e diferentes resultados do índice. É sugerido que a definição de pesos espaciais (definição da vizinhança) seja efectuada conforme o sector em análise, uma vez que existe indefinição no conceito de cluster (Carrol, 2008). Outra forma de definir o limite é tentar diversas funções espaciais e depois escolher a que devolve o maior número de aglomerações, ou PCR (ESRI, 2005). No entanto, tal parece ser apenas uma forma de “enganar” a metodologia, de forma a apresentar os resultados mais convenientes. Porém, a maioria dos estudos prévios utiliza, de forma arbitrária, vizinhanças adjacentes (de 1ª ordem), incluindo o local em si (Feser et al., 2005). Os resultados deste índice apontam para que a existência de um elevado valor do índice Gi* sugira que locais com elevados valores tendem a estar situados perto uns dos outros (elevada concentração de emprego). A soma de todos os índices Gi* e posterior mapeamento irá fornecer uma visualização na distribuição de emprego.

52


Porém, este indicador apresenta algumas limitações. Em primeiro lugar, não é possível efectuar o controlo quanto às especificidades de cada região. Em segundo lugar, apenas analisa as vizinhanças, não a concentração da localização em si nem permite o controlo em relação à totalidade das regiões. Por último, existe indefinição quanto às vizinhanças a utilizar, que levará a resultados diferentes conforme o analista.

4.3.5 – Indicador conjunto – modelo de Carrol Observando as características do Quociente de Localização e do Índice Gi*, acima referidos, tal como as suas limitações, é sugerida a junção dos dados estatísticos obtidos num só mapa, ou seja, !"!,! ⋂!!∗ (Carrol, 2008). Esta metodologia apresenta a vantagem de unir os tipos de dados resultantes de cada um dos indicadores. Enquanto o LQ fornece os valores de concentração para a unidade em análise, o índice Gi* informa sobre as unidades vizinhas com níveis semelhantes de produção, permitindo observar concentrações e ligações em proximidade, acima da média para diversas regiões (Carrol, 2008). Para melhor visualização de um exemplo, comparativamente com os obtidos pelos indicadores isolados, ver imagens do anexo 4, que apresentam os resultados obtidos por Carrol, ao estudar a concentração do sector 336 (NAICS48 - Transportation Equipment Manufacturing) para quatro estados norte-americanos (Indiana, Illinois, Michican e Ohio), considerando valores do LQ acima de 1 e do índice Gi* acima de 1,96. Analisando o estudo mencionado e os resultados obtidos, verificam-se vantagens na utilização conjunta destes dois indicadores. Caso a unidade geográfica utilizada seja de pequena dimensão, permite analisar concentrações que estejam presentes em múltiplas unidades. Ao mesmo tempo, o índice Gi* fornece à análise relevância estatística.

48

“North American Industry Classification System” é o sistema norte-americano de divisão das atividades em

sectores, e é, em conceito, similar aos Códigos de Atividade Empresarial em Portugal.

53


4.3.6 – Modelo das vantagens naturais – índice de Ellison e Glaeser Pela insatisfação com os problemas gerais associados aos indicadores de concentrações empresariais, Ellison e Glaeser (1997) abordaram o conceito com uma perspectiva diferente. Estes autores criaram uma metodologia que se diferencia das restantes abordagens pela divisão entre a tendência geral para concentração das empresas e os efeitos aglomeradores externos. Ao estabelecer a metodologia, determinaram um índice inicial de concentração geográfica (G), dada pela seguinte equação para a indústria i (de um total de I indústrias): !! =

! !!!

!!" − !!

!

(1)

Em que: M representa a divisão de uma unidade geográfica (por exemplo um país), em m divisões (por exemplo distritos). Ao mesmo tempo, os sectores estão divididos e indexados por i=1,2,…,I. Sendo smi a percentagem de emprego do sector i na localização m, e xm uma medida de dimensão da localização m, dada, por exemplo, pela percentagem total de emprego da localização m em comparação com M ou a percentagem de população na localização. Numa análise rápida, podemos dizer que este coeficiente de concentração assemelha-se, nas suas propriedades aos prévios. O índice Gi tem um valor superior a 0 quando supõe-se a presença de forças aglomeradoras. Porém, como os próprios autores referem, não significa que o sector esteja mais concentrado do que é suposto (Rosenthal e Strange, 2001). Isto deve-se à manutenção da indefinição associada ao facto do índice não efectuar a distinção entre empresas grandes ou pequenas. Devido às suas características, um pequeno número de grandes empresas levará a um valor elevado do índice, mesmo sem a presença de vantagens naturais ou spillovers. Para efectuar-se um controlo mais rigoroso, e permitir comparações entre sectores e entre regiões, o índice toma a seguinte forma: !!

!! ≡ em que !! =

!! ! !!! !!" ,

! !! !! ! !! ! !!!!

(2)

um índice de Herfindahl para o sector i, sendo zki o emprego da

empresa k (indexada de k=1,2,…, Ni) em percentagem do total de emprego para o sector i.

54


Este parâmetro efectua a medida do tamanho das empresas de cada sector. As diferenças entre o tamanho das industrias, a distribuição do tamanho das empresas, ou o grau de detalhe dos dados geográficos disponíveis não deverão afectar o índice. Tal permite efectuar a comparação dos graus de concentração da indústria. O índice acima detalhado foi denominado de “Índice de Ellison e Glaeser”, ou em forma resumida, “índice de EG”, e considera-se, pelas suas propriedades, um índice de aglomeração. Qualquer valor acima de 0 para um dado sector significa que há aglomeração. Os autores consideram também que um valor até 0,02 demonstra uma fraca tendência para aglomeração, e acima de 0,05 uma forte aglomeração. Este índice é utilizado para efectuar a estimação do impacto das vantagens naturais e dos spillovers, por sua vez dados pelo seguinte modelo de maximização de lucro para a empresa k, na escolha de localização para a sua actividade (entre as I localizações indexadas): log !!" = log !! + !! !! , … , !!!! + !!"

(3)

Explana portanto os lucros associados à escolha da localização, sendo que a empresa irá receber !!" , dependentes de: !! , uma variável aleatória que reflecte a rentabilidade de localizar na área m, influenciada por características locais visíveis e invisíveis e à forma como essas mesmas características se adaptam ao sector em análise. Dentro destas características locais encontram-se as vantagens naturais, forças que levam as empresas de cada sector a preferir (ou rejeitar) concentrarem-se aí. Como exemplo, os autores referem o facto dos estaleiros navais se localizarem naturalmente em regiões costeiras. !! , que captura os efeitos de spillovers criados por empresas que têm localização previamente escolhidas. Estes spillovers podem ser intelectuais ou físicos (quando a presença de uma empresa na localização m permite a redução de custos de transporte49). Por último, !!" é uma variável aleatória que reflecte efeitos de factores idiossincráticos à empresa k.

49

Embora Ellison e Glaeser, no trabalho referenciado, mencionem estes efeitos como spillovers, pelo que foi

visto atrás, referem-se a externalidades pecuniárias.

55


Este modelo de localização coloca uma perspectiva alternativa sobre a razão pela qual as empresas se localizam em determinada zona, em detrimento de outras. Este modelo também ajuda a perceber porque é que algumas empresas estão localizadas em determinadas localizações, e não concentradas por outros motivos senão a presença de factores associados ao seu sector e que a este são essenciais. Apesar da visão simplista de que as empresas apenas obtém benefícios relacionados com os spillovers, pode-se considerar que !! é um indicador de todos os benefícios associados à existência de um cluster nessa região. Os autores têm como objectivo provar que existem três cenários possíveis para as decisões de localização da empresa: i) Não sendo possível observar nem vantagens naturais nem spillovers associados à localização em qualquer zona, a decisão será aleatória. Como exemplo, será como atirar dardos a um mapa geometricamente dividido, sendo muito difícil que ao serem atirados 10 dardos estes se posicionem todos em 10 locais diferentes. Pode assim existir um efeito de concentração fortuito (Ellison e Glaeser, 1997). Neste caso, o índice (2) terá um valor de 0, significando que o emprego está “apenas” tão concentrado como esperado, não que está uniformemente distribuído; ii) São apenas observáveis efeitos associados às vantagens naturais de determinada localização específica (ou várias). Ou em alternativa, os efeitos dos spillovers nas restantes não são suficientes para suplantar as vantagens naturais. Neste caso a empresa escolhe essa localização (tal como as restantes, se tiverem os mesmos benefícios), criando um efeito de concentração externo à presença de clusters. iii) Uma aglomeração “anormal” é verificada, provocada pelo efeito dos spillovers. Não sendo possível distinguir entre os dois últimos cenários, sabe-se apenas que o índice (2) é um indicador imparcial das forças aglomeradoras. Em resumo !! = ! !" + ! ! − ! !" ! ! , em que ! !" e ! ! representam os efeitos separados das vantagens naturais e dos spillovers respectivamente50.

50

Para mais detalhes na desagregação do modelo, ver Ellison e Glaeser (1997) e Ellison e Glaeser (2007)

56


Esta metodologia apresenta uma abordagem original para a resolução de dois problemas: a indefinição entre concentração empresarial e aglomeração, criando um índice que distingue ambos; e atribuindo uma perspectiva mais lógica ao indicador, através do pressuposto de existência de um modelo de maximização de lucro associado à decisão de localização. Todavia, o índice de EG tem algumas desvantagens. Em particular, o índice de Herfindahl, devido a limitações na obtenção dos dados necessários, tem de ser estimado. O índice de EG, ao apresentar um valor acima de 0 consegue com sucesso identificar forças aglomeradoras. Porém, um segundo problema surge por não permitir a separação dessas forças, não efectuando a distinção entre a presença de vantagens naturais ou spillovers (Rosenthal e Strange, 2001). No sentido de resolver e esclarecer este ponto Rosenthal e Strange (2001) procuram identificar os determinantes da aglomeração e a que nível geográfico operam. Em último lugar surge o já referido “Modifiable Areal Unit Problem (MAUP)”, referente ao problema derivado da unidade espacial seleccionada, verificando-se, tal como na utilização do LQ, valores diferentes conforme a utilizada.

4.3.7 – A correlação de actividades – Modelo de Porter Insatisfeito com a falta de atenção dada em torno da competitividade das diferentes regiões, Porter (2003) utiliza um modelo quantitativo empírico para analisar as diferenças encontradas ao nível regional. Nesse modelo, Porter corrige as tradicionais metodologias de identificação de concentrações empresariais de duas formas: a subdivisão dos sectores empresariais de acordo com a sua natureza e a correlação de sectores por análise das relações. Nesta sub-secção irá analisar-se a subdivisão dos sectores empresariais, sendo que a segunda parte será detalhada na sub-secção 4.4.3. Assim, Porter ao tentar justificar diferentes padrões de concentração entre os diversos sectores e estados 51 , conclui que existem três grupos de sectores empresariais que apresentam padrões de concentração e comportamento similares, e que explicam diferenças ao nível da performance:

51

A análise foi efectuada exclusivamente para os estados dos E.U.A.

57


i) Sectores locais. Este género caracteriza-se por empresas que fornecem bens e serviços às populações locais, no estado onde o emprego está situado, e “exportam” de forma limitada para fora dessa região. Tal resulta em concentrações de emprego proporcionais à população estatal52 (independentes do estado analisado). ii) Sectores dependentes de recursos. Estas empresas, como o próprio nome indica, posicionam-se geograficamente conforme a localização dos recursos naturais53. As suas concentrações desproporcionais em relação à população residente em nada indiciam a possibilidade de existência de clusters. iii) Sectores comerciais54. Por exclusão de hipóteses, as empresas que compõem estes sectores não são locais, competindo ao longo de vários estados, e por vezes internacionalmente, e não estão associadas a recursos naturais. Portanto, caso estas empresas se concentrem numa região em particular, tal será indicador de que existem vantagens competitivas associadas a esse estado. A metodologia de seguida explanada, associada aos padrões de concentração associados, foi utilizada para justificar a divisão dos sectores de actividade nos três grupos acima detalhados. Para tal, Porter estabelece uma medida de variação de emprego. Para todos estados, divide entre os sectores que: •

Em todas os estados, a percentagem do emprego nacional leva a um LQ ≥1;

Nos cinco estados com maior concentração, o LQ médio é ≥2;

Apresentam indicies de Gini superiores a 0,3 para todos os estados.

Caso um determinado sector esteja presente em todas as regiões que cumprem estes mínimos, então será um sector local, pois os padrões de aglomeração são elevados e fixos. Caso contrário, será ou sector comercial ou sector dependente de recursos naturais. Caso o sector cumpra apenas dois dos três limites, será analisado, de forma independente e isolada. Quanto aos sectores associados a recursos, estes são identificados por leitura descritiva do seu conteúdo e contexto. Os valores utilizados para estabelecer os mínimos

52

Utilizando para efeitos de análise o quociente de localização conforme descrito no ponto 4.3.4.

53

Recursos biológicos e minerais.

54

Traduzido de “traded industries”.

58


foram aleatórios, mas em sua defesa Porter argumenta que a sua modificação não originou alterações significativas aos resultados. Esta metodologia alterou a perspectiva de funcionamento dos mapeamentos de concentrações de empresas (com o objectivo de identificar clusters) pois alertou para a necessária divisão dos sectores. Este método permite que as conclusões retiradas sejam mais precisas, evitando que exista identificação de concentrações pela presença de empresas locais, que de facto não podem constituir, pela sua natureza, clusters.

4.3.8 – Indicadores de 2ª geração Após diversas críticas associadas aos indicadores de concentrações empresariais, e após surgimento do índice de EG, alguns autores propuseram os seus próprios índices, que pretendem ser uma evolução, ficando cunhados de “indicadores de 2ª geração”. Nesta subsecção, dois índices são explanados, o índice ! (Maurel e Sédillot, 1999) e o índice !  (Devereux et al., 2004). O primeiro índice é uma variação do índice !!" , apresentando uma estimativa do impacto dos spillovers ! ! , dado pela probabilidade p. Propõem então um estimador ponderado dessa probabilidade dado pela equação: !,!∈! !! !! !!!

!=

!,! !! !! !!!

!

Em que !! é a proporção de emprego que a empresa j tem no total do sector. !, ! ∈ ! corresponde à situação em que as empresas j e k estão localizadas na região i. Aplicando este estimador a !!" obtém-se: ! ! !!

!=

1−

! ! !! ! ! !!

−!

1−!

Os autores consideram que, ao invés do índice de EG, este indicador permite também o controlo em relação à dimensão das empresas do sector, impedindo a “verificação de concentrações derivadas da presença numa localização de empresas de grande dimensão” 59


(Maurel e Sédillot, 1999). Verifica-se, portanto, que esta modificação acrescentará qualidade ao índice original proposto. Devereux et al. (2004) por sua vez propõem um índice alternativo em que analisam a concentração de empresas (de um conjunto de K) face a uma distribuição casual por N regiões. Enquanto Ellison e Glaeser (1997) consideram que tal origina um número de empresas por região dado por N/K, Devereux et al. (2004) propõe uma possibilidade diferente. Em concreto, que a localização de cada empresa, escolhida por uma pessoa, é a sua zona de residência. Assim, consideram que a probabilidade de escolher uma dada localização é 1/K. Baseando-se no pressuposto acima indicado, criam o índice α dado pela seguinte relação: !

! =!−! = !!!

1 !! − ∗ !

!

!

− !!!

1 !! − !

!

Em que F é um índice de concentração geográfica, com !! sendo a proporção de emprego do sector para a região k e ! ∗ = min[!, !] que corresponde ao máximo de regiões em que um sector se pode localizar. M é um índice que mede a distribuição de emprego pelas empresas do sector, em que !! é a percentagem de emprego da empresa n no total para o sector. Em resumo, podemos dizer que o índice de concentração geográfico F é controlado pelo índice M, originando o índice final ![−1, +1]. Este terá um valor positivo caso a proporção de emprego do sector para a região k for superior à distribuição de emprego pelas empresas do sector, permitindo o controlo quanto à dispersão da população.

4.3.9 – Mapeamento micro-geográfico Duranton e Overman (2005) criticam a utilização dos indicadores explanados nesta secção, argumentando que uma metodologia de mapeamento de concentrações empresariais deve identificar concentrações empresariais isentas de potenciais enviesamentos à análise. Ou seja, os autores procuram tendência para concentrações empresariais que ocorram de forma excepcional, e portanto, o indicador deve:

60


i) Ser comparável entre sectores. Qualquer indicador que seja criado para analisar aglomerações empresariais deve ter em conta factores inerentes a cada sector que levarão a níveis diferentes de concentração “normal”. ii) Controlar a tendência geral para a concentração das empresas. Argumentam que a dimensão da população da região, e consequente emprego, leva a um enviesamento quanto a aglomeração geral das empresas a favor das regiões mais povoadas. iii) Controlar o grau de concentração sectorial (diferente em cada sector). Explicitando e recuperando o que foi já mencionado, não é estatisticamente possível separar todas os sectores de forma igual, em termos de dimensão e emprego, sendo assim necessário distinguir entre uma distribuição desigual e uma aglomeração. Esta falha já foi identificada como uma das desvantagens da utilização do LQ. iv) Ser imparcial em termos de escala e agregação espacial. Uma vez que as fronteiras das unidades geográficas analisadas são definidas administrativamente, não é tida em conta a distância real entre as empresas. Se forem analisadas concentrações através da análise de uma unidade espacial, não só não será possível a comparação entre diferentes unidades espaciais, como também poderão existir aglomerações mal definidas ou ignoradas. Assim, é considerada essencial a utilização de um indicador de concentração que não tenha por base unidades espaciais, mas uma zona geográfica pré-definida, e será necessário ter em conta as falhas associadas às concentrações transfronteiriças. v) Reportar a significância estatística do resultado. A maioria dos indicadores de concentração, conforme visto acima, não indicam a relevância estatística associada aos resultados. Pelo que já foi analisado até ao momento, podemos afirmar que nenhum dos indicadores identificados consegue cumprir todos os pontos considerados essenciais. Os autores desenvolvem então um método de mapeamento que, tentando cumprir com os requisitos acima mencionados, identifica fisicamente a localização de empresas e o seu grau de aglomeração, que será exposto de seguida. Mais concretamente, a metodologia está definida como a:

61


Consideração da distribuição das distâncias entre pares de estabelecimentos num dado sector e a sua comparação com uma distribuição fortuita de estabelecimentos (em igual número), tendo em conta a distribuição da agregação sectorial (Duranton e Overman, 2005).

Para que tal se verifique os autores começam por definir os seguintes passos: 1º - Identificação das empresas relevantes. A lógica por detrás é eliminar estabelecimentos de pequena dimensão que poderão estar dispersos e não seguir a mesma lógica de aglomeração que o restante sector. 2º - Definição da distância “euclidiana”55 entre cada par de empresas de um sector, ou seja, a distância directa entre dois pontos geográficos. As distâncias em si são determinadas obtendo as coordenadas geográficas de cada empresa, gerando

!(!!!) !

distâncias bilaterais.

Este tipo de distância ignora, por exemplo, obstáculos físicos ou impossibilidade de efectuar a viagem entre os dois pontos. Para evitar este “ruído” estatístico determina-se que: sendo di,j a distância euclidiana entre a empresa i e a empresa j do sector A, e tendo em conta n empresas, o estimador da densidade de distâncias bilaterais em qualquer ponto d é: !! ! =

1 ! !−1 ℎ

!!!

!

!!!

!!!!!

!

! − !!,! ℎ

3º - Construção de grupo de controlo. Considera-se que os pontos geográficos em que as empresas se localizam no momento de análise é o número total de locais possíveis para uma empresa se situar. Para construção do grupo os autores seleccionaram ao acaso localizações do conjunto de locais possíveis (em número igual ao número de empresas em análise) e calcularam as distâncias bilaterais, repetindo a simulação 1000 vezes. 4º - Criação de intervalos de confiança locais e índices de concentração e dispersão. Para tal, consideraram todas as distâncias no intervalo entre 0 e 180 km, correspondente à mediana das distâncias entre todos os pares de empresas. De seguida classificaram as simulações de cada sector e para cada quilómetro de distância no intervalo definido em ordem ascendente e definiram o máximo e mínimo (5% e 95%) para obter os valores dentro de um intervalo de confiança de 95%. Obteve-se assim o !! e o KA. Quando, para o sector A, !! ! > !! (!),

55

Distância mínima medida entre dois pontos, ou seja, uma reta.

62


diz-se que exibe aglomeração à distância d. Por oposição, caso !! ! < !! (!), o sector estará disperso. Índice de aglomeração: Υ! (!) ≡ max   !! ! − !! ! , 0 Índice de dispersão: Ψ! (!) ≡ !"# !! ! − !! ! , 0 Estes índices indicam a dimensão da aglomeração ou dispersão existente para qualquer distância. 5º - Criação de intervalos de confiança globais, para determinar os padrões de aglomeração globais de um qualquer sector. Tal como no ponto anterior, são definidos máximos e mínimos, e criados os correspondentes índices. Os autores aplicaram a metodologia ao Reino Unido, de forma a testar as suas bases, utilizando para isso duas fontes: - Anual Respondent Database (ARD) para 1996, baseado no censos anual à produção. A base de dados foi limitada a empresas industriais, e para o total do país, com a excepção da Irlanda do Norte. Para cada empresa ou estabelecimento, foi encontrado o seu códigopostal, a sua classificação da actividade (4º nível do SIC), e número de empregados. - Através do “CODE-POINT” e do “Ordinance Survey”, obteve-se as coordenadas geográficas para cada código-postal. Cada coordenada dá uma localização precisa, e assim, ao fundir estes dados com os dados obtidos da ARD, obteve-se a localização geográfica dos estabelecimentos industriais. Um exemplo dos resultados obtidos pelo mapeamento de empresas geograficamente é dado no anexo 5, retirado de Duranton e Overman (2005). Esta metodologia apresenta diversas vantagens, das quais se distingue, em primeiro lugar, a visualização do padrão de aglomeração para qualquer sector, tendo com base dados geográficos extraídos dos códigos postais. Esta parte da metodologia, utilizada em conjunto com os dados de emprego, pode permitir visualizações iniciais de potenciais aglomerações, facilitando análises mais extensas.

63


O mapeamento desses pontos geográficos permite observar quaisquer concentrações que possam existir, e embora não permita efectuar qualquer controlo estatístico, tem vantagens associadas como: - Ignora fronteiras administrativas excepto as traçadas pelo limite dos dados estatísticos. - Evita a utilização de dados regionais, normalmente menos detalhados. - Permite uma análise a vários níveis de concentração (pela combinação de códigos de actividade) e a vários níveis físicos (pela determinação de diferentes distâncias para se considerar a existência de concentrações). Se for possível determinar a aglomeração de empresas, e calcular as suas distâncias conforme definido pela metodologia, será possível obter resultados estatisticamente relevantes que permitem, com precisão, obter uma imagem clara sobre a tendência geral para a aglomeração, e identificar para melhor análise as localizações em que certos sectores (ou grupos de sectores) se encontram concentrados. No entanto, esta análise tem como desvantagens: - A necessidade de obter dados quanto à localização física de cada código-postal, e a listagem de todos os estabelecimentos por código de actividade e respectivo códigopostal; - A complexidade das computações e adaptações aos dados de forma a permitir a sua utilização avançada; - A utilização de distâncias euclidianas também é contestada por não serem lógicas para calcular proximidade, pois não têm em conta a presença de obstáculos naturais ou a falta de ligações físicas.

4.3.10 – A função M Marcon e Puech (2010) apresentam duas condições adicionais que devem ser cumpridas por qualquer método de identificação de aglomerações: a desagregação máxima da classificação

64


industrial para evitar enviesamento da análise por agregação de subsectores; e a fundamentação teórica económica dos resultados obtidos. Face a estas propriedades adicionais, Marcon e Puech (2010) consideram que o método concebido de Duranton e Overman (2005) não cumpre com os requisitos, sugerindo um novo índice, denominado de função M, baseado em métodos pré-existentes de mapeamento micro-geográfico, utilizados em outras áreas científicas. Estes métodos consistem numa função cumulativa que, seleccionando um sector, contabiliza todas as empresas vizinhas T de um qualquer ponto de referência i (primeira observação de uma empresa do sector), até à distância pré-definida r. O número de vizinhos identificados em torno do ponto de referência (Ti) é controlado para o total de empresas na localização (Ni), criando o rácio !! !! . Após a identificação das vizinhanças para todos os pontos de referência i definidos, define-se a média e compara-se a distribuição no país, obtendo-se: !=

!! !! ! !

. Caso o numerador seja superior ao denominador, significa que se verifica um

maior número de empresas do sector internos à distância r do que no resto do país. Esta função pode ser computada tendo em conta não só as empresas identificadas, mas também outros indicadores, ponderando por exemplo em termos de emprego, ou volume de negócios correspondente. Permite também analisar a concentração intra e inter-sectorial, da seguinte forma: i) A sendo uma área pré-definida que contém N empresas e em que o sector Sk tem !!! empresas. Caso a distância euclidiana entre duas empresas, i e j, seja inferior ao raio definido (r), então !!! !, !, ! = 1. Caso contrário, !!! = 0. A vizinhança de empresas da empresa i, do mesmo sector e localizada dentro do raio, é portanto dada por

! !!

!!!,!!!

!!! !, !, ! . Efectuando a mesma computação para todos os

sectores de actividade, obtém-se

! !!!,!!! !

!, !, ! . De forma a incluir ponderações,

por exemplo de emprego, temos a função final:

!!! (!) =

! !! !!!

! !!

! !, !, ! !! !!!,!!! !! ! !!!.!!! ! !, !, ! !!

65

!!! − !! !!! ! − !! ! !!


O numerador corresponde ao peso relativo do sector observado em comparação com o total de empresas no interior do raio r. O denominador é a ponderação de emprego para o sector em comparação com o total para o interior da área A. Existirá concentração relativa de emprego do sector Sk no interior da distância r caso !!! (!) > 1. Para este indicador, são desenvolvidos intervalos de confiança utilizando a mesma metodologia que Duranton e Overman (2005). ii) Para a análise intersectorial têm de, em primeira instância ser definidas as ligações entre os sectores, por exemplo, S1 e S2. As combinações !!! ,!! e !!! ,!! fornecem a indicação das concentrações existentes dos dois sectores em conjunto. A função M, em termos de propriedades estatísticas, é semelhante à abordagem de Duranton e Overman (2004). As principais diferenças são relativas à forma como são determinadas as concentrações, o facto da função M permitir a quantificação da concentração e não existir uma definição de valor máximo para a distância definida. A função M, em alternativa, identifica concentrações para qualquer r.

66


4.4 – Mapeamento de relações 4.4.1 – Introdução As relações e ligações entre empresas, sejam estas de ordem económica, tecnológica, social ou cultural, são importantes no interior de uma aglomeração empresarial, conforme se verificou no capítulo 2. O facto de estas empresas exibirem ligações é uma importante indicação da capacidade de se potenciar a proximidade e a eficácia da aglomeração. Assim, a identificação destas ligações deverá funcionar como um mapa, indicando todas as empresas relacionadas, mesmo com actividades diferentes, que farão parte do mesmo cluster.

4.4.2 – Técnica visual de Markusen A primeira metodologia de mapeamento de relações apresentada é a “técnica visual”, criada por Markusen (1994). Este método foi desenvolvido com o objectivo de identificar quais as relações que são internas ou externas. Tendo em conta a sua simplicidade e possibilidade de aplicação ao conceito de cluster, irá ser descrita de seguida. A metodologia, efectuada por meio de entrevistas directas a responsáveis de empresas, começa com a suposição da existência de dois tipos de relações 56 : horizontal, entre concorrentes de empresas similares com os quais competem e colaboram e com instituições, e vertical, com fornecedores e clientes. Deverá adicionar-se também, para efeito de mapeamento de clusters, em conjunto com os concorrentes, empresas de sectores relacionados, devido às possibilidades de colaboração. Para efeitos visuais é criado de seguida um diagrama em que cada relação pode ser colocada no interior ou exterior da localização da empresa, conforme é visível abaixo (diagrama 7). A análise é mais detalhada para os fornecedores, de forma a abranger toda a cadeia de fornecimento. Existindo ligações fortes, consideradas importantes ou extraordinárias, estas são colocadas a negrito. Denote-se que Markusen refere-se a ligações individuais, ou seja, cada empresa com a qual a empresa tem relação, forte ou fraca, deve ser colocada no diagrama. Um exemplo completo efectuado por Markusen encontra-se no anexo 6.

56

Inserindo-se neste contexto qualquer relação, forte, fraca, formal e informal, incluindo por exemplo

contratações a outras empresas, aquisição de tecnologia, spinoffs, aquisição de capital, etc.

67


DIAGRAMA 7 Mapeamento visual de ligações (Markusen, 1994)

Esta metodologia apresenta a vantagem de permitir uma análise directa das ligações entre as empresas, verificando quais são internas ou externas a uma concentração numa localização. É possível ajustar o método de forma a incluir dados sobre compras e vendas presentes nas ligações, efectuando comparações entre a proporção interna e externa. No entanto, tal só é revelador do peso das ligações comerciais, não sendo possível ponderar ligações não comerciais. Ao mesmo tempo existem dificuldades que impossibilitam a sua utilização contínua. Em primeiro lugar, a metodologia é assente em entrevistas individuais. Imaginando a situação em que uma entrevista inicial seria efectuada, todas as ligações internas reconhecidas pelo entrevistado teriam de ser entrevistadas, tal como as suas ligações internas. Mesmo que tal

68


seja efectuado apenas em intervalos espaçados (Markusen recomenda 5 a 10 anos), a sua execução poderá ser morosa.

4.4.3 – Clusters de sectores comerciais – Modelo de Porter Em continuidade com a sub-secção 4.3.7, Porter efectua uma segunda alteração à base das metodologias de mapeamento de concentrações empresariais, pela agregação de sectores de actividade. Como já foi mencionado, um cluster pressupõe a possível (e desejável) presença de vários sectores económicos no seu interior, ao invés de um só. Assim, analisar concentrações de empresas de um só sector será, na melhor das hipóteses, identificar uma parte do cluster. Ao analisar apenas um sector, estará a negligenciar-se sectores que podem estar também presentes, associados ao cluster, mesmo que não estejam concentrados57 (Cortright, 2006). De forma a modificar a perspectiva na utilização de metodologias de identificação de concentrações geográficas, Porter cria um método de agregação dos diversos sectores económicos em “clusters”58, através da identificação de ligações. Para a agregação dos sectores empresariais em “clusters”, Porter segue a seguinte metodologia. Como ponto de partida, utiliza correlações locacionais de emprego entre os sectores comerciais, tentando obter sinais da possível existência de externalidades e definir fronteiras para os clusters. Ou seja, se duas actividades económicas, de uma forma repetida, para as unidades geográficas que compõem o país analisado, apresentarem níveis de emprego relacionados, considera-se que ambas estão relacionadas. Porter efectua a análise para todos os pares de sectores empresariais, utilizando os códigos SIC 59 de quatro dígitos para determinar as correlações, e corrigindo conforme a significância estatística e relações espúrias. Para o efeito utiliza um índice de correlação de emprego e embora não

57 58

Um exemplo ilutrativo deste argumento encontra-se no anexo 15. Entendem-se “clusters”, ao longo desta sub-secção como “grupo de empresas inter-relacionadas

geograficamente próximas” (Porter, 2003). Assim, este termo não deve ser confundido com a definição original, presente na sub-secção 2.1.1 e utilizada para o restante trabalho. 59

“Standard Industrial Classification”. Sistema de classificação empresarial que precedeu o NAICS.

69


especificando qual o utilizado, sugere-se a visualização dos expostos em Ellison e Glaeser (1997) ou Marcon e Puech (2010)60. Num segundo passo, a correcção às correlações encontradas passa por confirmar as ligações, examinando a sua descrição e se a ligação faz sentido, pois podem surgir entre empresas localizadas em estados muito populosos, ou caso os sectores tenham presença em poucos locais. Em situações em que não seja possível a correcção de forma empírica, utilizam-se as tabelas Input-Output, de forma a revelar ligações comerciais entre os sectores. Caso não sejam reveladas relações entre as empresas as ligações são eliminadas. Por último, efectuam três divisões entre os “clusters” encontrados: Entre os “clusters” em “amplos”, considerando a aglomeração de todas as ligações encontradas entre sectores a um cluster, e “restritos”, considerando apenas a ligação mais forte entre um sector e um “cluster”; Entre os “clusters” e “sub-clusters”, sendo que os “clusters” são compostos por todas as ligações encontradas. O “sub-clusters” são os conjuntos de ligações entre sectores dentro de um “cluster” que são mais fortes entre si; Entre “clusters” “fortes” e “fracos”, sendo que os “clusters fortes” apresentam um LQ ≥ 0.8 ou LQ ≥ 1.0. Esta divisão vem de encontro à segunda conclusão retirada através do exemplo no anexo 15. Ou seja, os “clusters” identificados, pela aglomeração de sectores dentro de uma só localização terão LQ menores do que os resultantes de uma análise sectorial. Esta metodologia permitiu a Porter mapear os sectores em “clusters”, apresentando resultados robustos. As ligações identificadas são de natureza comercial e não comercial, evitando limitações que possam surgir da análise a apenas um tipo de ligação. Porém, Porter efectua a análise a nível nacional, considerando que cada sector se encontra agregado a um cluster, de forma independente da sua localização. Existe a possibilidade de surgirem problemas relacionados com este facto, pois, uma vez que os clusters variam em dimensão e composição, a correlação identificada numa localização pode não verificar-se noutra.

60

Estes índices de correlação não serão explanados neste trabalho, uma vez que segue a lógica utilizada pelo

respectivo autor na criação do índice de aglomeração.

70


Ao mesmo tempo, a definição das ligações é efectuada com recurso a uma avaliação subjectiva, não baseada em dados estatísticos concretos. Assim sendo, não é possível determinar a fiabilidade dos “clusters” criados. A descrição da associação de cada sector a “clusters” não está disponível, e impossibilita a transposição entre sistemas de classificação para análises entre economias.

4.4.4 – Cluster “templates” – Método de Feser e Bergman A criação de “clusters” pela associação de ligações comerciais não é recente, tendo originado nos anos 70 nos Estados Unidos61. A lógica associada é igual à definida por Porter, ou seja, o mapeamento de ligações para posteriormente identificar, através de indicadores de concentração, potenciais clusters. As ligações identificadas são as registadas pelas tabelas Input-Output, denominadas de “comerciais”. Porter discorda da utilização destas tabelas como ferramenta única para encontrar as ligações entre empresas, pois considera que as ligações comerciais são apenas um tipo de ligação possível entre as empresas nos clusters (Porter, 2003). No entanto, visto que a existência de ligações económicas não é colocada em causa, a sua identificação trará benefícios pois permitirá a identificação de um dos pilares dos clusters. Neste trabalho iremos focar não o trabalho original, de Feser e Bergman (2000), mas sim o desenvolvido por Kelton, Pasquale e Rebelein (2008). A metodologia é em quase tudo igual à original, mas foi testada utilizando para o efeito o sistema NAICS, e não o sistema SIC. Ao mesmo tempo, introduziram uma modificação à análise dos valores encontrados, discutida mais à frente. Em concreto, utilizam as tabelas Input-Output de 1997 do Departamento do Comércio - Bureau de Análise Económica e baseado no NAICS. O NAICS, ao invés do sistema SIC, que classifica sectores que têm produtos semelhantes, agrupa juntos sectores com processos produtivos semelhantes e ao mesmo tempo introduz mais detalhe no sector dos serviços.

61

Para uma lista de trabalhos prévios, ver Feser e Bergman (2000).

71


A metodologia geral é definida da seguinte forma. Para dois sectores, A e B, serem consideradas parte do mesmo cluster, estes devem estar ligados de uma das seguintes quatro formas: i)

A compra directamente ou indirectamente a B;

ii)

A vende directamente ou indirectamente a B;

iii)

A e B têm padrões de compra a outras indústrias semelhantes;

iv)

A e B têm padrões de venda a outras indústrias semelhantes.

Sendo xi (i=A, B) o vector de percentagem de compra para cada sector i. Isto é, os n elementos de xA indicam a fracção de compras feita pelo sector A que vêm de cada um dos n sectores considerados. Ao mesmo tempo, yj (j =A, B) é o vector de vendas para cada sector j. Assim, os quatro coeficientes de correlação são construídos de forma a caracterizar as semelhanças na estrutura input-output de cada par de sectores A e B. Exemplo: r(xA, yB) mede o grau em que o padrão de compra do sector A é semelhante ao padrão de venda do sector B, i.e., até que ponto os inputs adquiridos por A se assemelham aos outputs vendidos por B. Ou seja, r(xA,xB) mede o grau em que os sectores A e B têm padrões de compra semelhantes. O maior destes quatro coeficientes de correlação foi escolhido como melhor indicador da força da ligação entre os dois sectores. O processo foi repetido para todos os pares possíveis de sectores, formando uma matriz simétrica de coeficientes de correlação "máximos". Foi considerado um tecto mínimo para cada relação, ou seja, um valor mínimo de relação entre os sectores para considerar-se essa relação como relevante. Este passo foi efectuado com recurso a uma variação promax, tendo os resultados sido robustos. Quanto aos valores mínimos para considerar a existência de uma ligação entre os sectores, os autores definiram valores relativos e dependentes do sector analisado, mas baixos, sugerindo a sua modificação para efeitos de análise económica62. Sectores com relações que excedem o valor mínimo, são considerados parte do cluster sectorial que o factor

62

Feser e Bergman (2000) tinham definido que 0,75 será o valor mínimo do coeficiente para dois sectores

apresentarem ligação forte, entre 0,50 e 0,75 uma ligação moderada, e entre 0,35 e 0,50 uma ligação fraca.

72


representa, utilizando limites mínimos que "fazem sentido economicamente". Os clusters em si não são mutualmente exclusivos, ou seja, uma indústria poderá fazer parte de diversos clusters. Os autores terminam o estudo concluindo que esta metodologia permite a identificação de relações verticais (do fornecedor até ao consumidor) e horizontais (sectores relacionados). Ao mesmo tempo, permite pressupor um elevado valor do quociente de localização, quanto à aglomeração de empresas interligadas. No entanto, esta metodologia terá de ser ajustada à dimensão da unidade de análise, ou seja, não é possível identificar se as relações encontradas são locais se a unidade de análise for nacional. Ao mesmo tempo, há limitações ao nível das relações encontradas, pela agregação normalmente existente nas tabelas Input-Output, e a disponibilidade das próprias tabelas também não é a ideal63. Concretamente, quanto menor for o grau de detalhe das actividades empresariais utilizadas nas tabelas Input-Output, mais falível será a análise. Ao mesmo tempo, existe dificuldade na obtenção de dados a nível regional (Martin, 2003) que impossibilita confirmar os padrões de relações comerciais a nível mais local. Não é possível portanto determinar se estes padrões serão diferentes ou iguais no interior de um potencial cluster em comparação com os padrões nacionais. Por último, o valor definido como limite é efectuado de forma arbitrária, tanto no estudo de Feser e Bergman (2000) como no de Kelton et al. (2008). Esta definição arbitrária já foi referida em sub-secções anteriores e não é recomendada, caso se queira manter a relação entre o conceito teórico e a aplicação prática. Porém, e apesar desta abordagem ser recente (2000) e ainda em fase inicial, esta poderá ter interesse, uma vez que será a ideal para identificar relações entre sectores. Ao mapear o cluster na sua totalidade (e não apenas a indústria principal), sem recurso a outros métodos

63

Apesar disso, Feser e Bergman (2000) verificaram que os seus resultados, em comparação com análises

efectuadas em tabelas I/O mais antigas foram muito próximos, demonstrando alguma estabilidade nas ligações criadas.

73


mais falíveis para a determinação das ligações, poderá obter-se ganhos em termos de qualidade.

4.4.5 – Indicadores de ligações e interdependências Uma metodologia alternativa para a identificação de ligações e interdependências pode ser a utilização de inquéritos baseados em entrevistas. A aplicação prática será exemplificada por May (2001). Esta autora observou o sector de alta-fidelidade no Reino Unido, composto por 65 empresas (das quais 50% com menos de 25 trabalhadores), após encontrar indícios de concentração na região de Londres e sul de Inglaterra64. Para procurar uma justificação para a aglomeração identificada, prosseguiu a entrevistas pessoais semiestruturadas a gestores seniores de 45 das 65 empresas. Em concreto são investigadas, através de questões aos entrevistados, as tipologias de ligações e relações entre as diversas empresas. A tabela com o resumo dos resultados verificados encontra-se no anexo 9. Verificou-se, pelos resultados, a existência de relações de colaboração entre as empresas e os seus fornecedores no desenvolvimento de produtos (≈70%), mas apenas ≈11% colaboraram com empresas do mesmo sector e ≈22% com clientes (relações não comerciais). Caso se incluam relações comerciais, os dois últimos resultados aumentam para ≈38% e ≈36% respectivamente. Em termos de empresas relacionadas, e fornecedores especializados, os resultados que se destacam são: ≈36% das empresas dos sectores pertencentes ao cluster colaboram com empresas de design, ≈11% com universidades e apenas 7% com fornecedores de equipamento (todos os resultados incluem relações comerciais). Em termos de relações comerciais, verifica-se que estas se encontram em maioria (do total de relações) entre as empresas do cluster e agências de publicidade (≈69%, ou 11 em 17). Estes resultados (entre outros verificados) mostram o interesse do uso das entrevistas ou inquéritos para identificação de relações, sobretudo as informais e não-comerciais.

64

Esta identificação foi feita com recurso à exposição geográfica das empresas (Mapa no anexo 8), sendo o

sector de alta-fidelidade composto por empresas produtoras de produtos de electrónica e altifalantes.

74


Quanto ao tipo de ligações identificadas no cluster, e a percentagem de empresas que as demonstra, não é possível extrapolar conclusões. Tal deve-se a, como foi visto ao longo do capítulo 2, cada cluster ter um conjunto de ligações e relações quase único, tendo de ser identificadas de forma individual. Porém, auxilia os analistas a confirmar a presença de potenciais clusters pela verificação da existência de ligações e qual a sua dimensão e composição interna e externa. Como em qualquer conjunto de entrevistas, existem desvantagens inerentes associadas à metodologia do trabalho de May (2001): i) Em primeiro lugar, o esforço desenvolvido é grande, e não será exequível para observações contínuas. Caso se verifique tal como Markusen (1994), que as relações são estáveis no longo prazo, então este problema será minimizado. ii) Em segundo lugar, as entrevistas terão de ser individualizadas por potencial cluster, sendo necessário repetir o processo por cada observação. Para reduzir o esforço associado, recomenda-se a execução deste passo apenas após identificar potenciais clusters através de uma metodologia de mapeamento de concentrações geográficas completa e rigorosa. iii) Em terceiro e último lugar, existe um risco de falha na identificação de ligações, por omissão deliberada de informações ou desconhecimento. A execução de entrevistas a gestores seniores poderá ter um efeito ambíguo, não limitando a omissão, caso exista.

75


4.5 – Identificação de factores de produtividade 4.5.1- Introdução A identificação de factores de produtividade é um tipo de metodologia que pretende identificar se uma determinada aglomeração de empresas funciona como um cluster. A abordagem em si é indirecta, ou seja, devido à dificuldade no mapeamento de determinados pré-requisitos (sobretudo a presença de ligações não comerciais) para a observação de um cluster, é efectuada uma tentativa de identificação de benefícios. Considera-se que, se estes existirem e forem comprovadamente locais, então poderemos considerar a existência do cluster. Os estudos aqui detalhados não foram utilizados com o propósito de identificação de clusters, mas sim, como já foi referido, para a determinação de uma consequência da sua existência. Porém, argumenta-se que, caso os impactos verificados sejam superiores numa localização em que existe um potencial cluster aos verificados numa outra localização, então pode-se comprovar o funcionamento da concentração como um cluster. Este será então um passo avançado num conjunto que perfaz uma metodologia de mapeamento de clusters.

4.5.2- Mapeamento de inovação – Dados de patentes Uma das consequências conceptuais mais visíveis da presença de clusters é o aumento da inovação, a par com o aumento do emprego, do número de empresas e o aumento da produtividade, conforme visto na sub-secção 2.1.4. Determinados autores consideram que o aumento da inovação está relacionado com o aumento da actividade de I&D, e que tal se irá reflectir, por sua vez, em spillovers. Argumenta-se que estes spillovers (de conhecimento) serão mensuráveis através da visualização do aumento de patentes registadas (Jaffe et al., 1993). Essas patentes registadas criam aquilo que foi denominado de “paper trail” (Jaffe et al., 1993), ou seja, deixam um registo da localização geográfica dos seus inventores. As citações65 dessas mesmas patentes, por sua vez, fornecem uma perspectiva sobre os spillovers, e a sua origem.

65

As citações de patentes devem ser consideradas como sendo a fonte do conhecimento técnico que deu

origem à patente. Portanto, caso um inventor tenha retirado informações de outras tecnologias patenteadas, essas serão citadas na sua patente.

76


A lógica será a seguinte: caso as citações sejam “locais”, então pode-se considerar que os spillovers são predominantemente locais (Jaffe et al., 1993). A utilização da informação contida nas patentes e respectivas citações tem, numa primeira análise, duas aplicações práticas: i) a desejada por Jaffe et al. (1993), ou seja, a confirmação ou contestação do conceito teórico que considera a existência de uma tendência para os spillovers serem locais 66 ; ii) a comparação do número de patentes e citações entre localizações (e a presença de clusters), para verificar a relevância dos clusters na inovação (Porter, 2003). i) A análise desta metodologia foi iniciada pelo estudo de Jaffe et al. (1993). Estes autores começam por recolher uma amostra, composta por patentes de universidades e respectivas citações, e por patentes de empresas nacionais, para os Estados Unidos. A detecção da localização de cada patente de acordo com a morada do(s) seu(s) inventor(es) está descrita em pormenor no trabalho referenciado. Argumentam que caso haja uma maior proporção de citações a nível nacional, estará provada a tendência de localização nacional dos spillovers de conhecimento. Caso haja uma maior proporção de citações a nível regional (em relação à região de origem da patente), estará provada a tendência regional de localização dos spillovers de conhecimento. De seguida, prosseguem para a correcção entre o impacto provocado pela proximidade e o impacto provocado pela presença prévia de um número desproporcional de agentes interessados nas patentes. Para tal, são construídas amostras de controlo, e comparadas com as observações reais. Os autores têm conhecimento da existência de duas possibilidades que não são consideradas pelo estudo. Em concreto, a possibilidade de existir uma citação sem que tenha ocorrido um spillover, e a possibilidade de ocorrer spillovers que não dêem origem a citações. No entanto, consideraram que, tendo em conta a dificuldade de quantificação destas possibilidades, a utilização desta metodologia desempenhará o seu propósito. Alertam apenas para a possibilidade dos spillovers serem superiores ao demonstrado pelas citações, sem quantificação da diferença.

66

Nesta perspectiva, a proximidade poderá favorecer a transmissão de conhecimento.

77


Estão também cientes da possibilidade de existirem spillovers que não dêem origem a citações nem a patentes, e as suas consequências. É admitido que a quantidade de conhecimento originado de spillovers ser patenteada poderá ser muito reduzida. Comparando a metodologia e as suas limitações, com as bases teóricas presentes na secção 2.2 verificamos que a sua utilização é de facto reduzida, e não deverá servir para a identificação de impactos da proximidade em clusters. Em particular, a metodologia ignora a relevância do conhecimento tácito e que teoricamente apenas este é afectado pela proximidade. Uma vez que este tipo de conhecimento não é patenteável, não pode ser quantificado por via de patentes, nem os spillovers que daí originam. ii) Porter (2003) desenvolveu um estudo com o objectivo primário de estudar as diferenças entre a competitividade das regiões. Nesta sub-secção analisa-se a sugestão de Porter de utilizar dados de patentes para analisar as diferenças de inovação entre regiões. A metodologia em si é diferente da utilizada por Jaffe et al. (1993)67. Após mapeamento das patentes (em 10 anos), Porter calculou a intensidade dividindo o número de patentes por 100.000 habitantes, para cada região68 e comparou os resultados obtidos. Comparando entre o número de patentes em sectores locais e comerciais, concluíu que os sectores comerciais apresentam um valor muito superior de actividade de patenteamento. Todavia, verificou que o número de patentes difere por “cluster” (sectores agrupados), encontrando baixos níveis sobretudo em “clusters” de serviços. Por último, tenta estabelecer uma relação entre os “clusters” e a actividade de patenteamento. Na sua opinião, a actividade deve ser maior quanto maior e mais diversificado for o “cluster” (em termos de ligações). Os resultados encontrados confirmaram a sua suposição, verificando-se uma correlação forte estatisticamente significante. Segundo os resultados obtidos pelo autor, conclui-se então que a inovação, medida pelo número de patentes é influenciada pela presença de “clusters” fortes de sectores comerciais. Assim sendo, pode estabelecer-se a suposição: analisando-se

67

Não foram consideradas citações, apenas patentes. Na eventualidade de haver mais de um inventor, as

patentes são fraccionadas pelas diferentes localizações. 68

Efetuando o controlo quanto à dimensão de cada região.

78


comparativamente uma localização em que existe um potencial cluster e localizações sem potenciais clusters, a primeira terá um maior número de patentes, comprovando a existência de um maior grau de inovação. Porém, este estudo, tal como o de Jaffe et al. (1993), negligencia o conhecimento não patenteável. Tal pode levar a que não sejam detectados graus de inovação elevados em potenciais clusters, caso tal não origine patentes. No entanto, não implica que não existam spillovers de conhecimento nem um aumento da inovação.

4.5.3- Análise dos determinantes de aglomeração Rosenthal e Strange (2001) propõem a análise de três consequências positivas em particular associadas a clusters, e que também são em si causas que provocam adicionais benefícios: os spillovers de conhecimento, acesso a um maior mercado de trabalho69 e partilha de inputs70. Para o efeito, é utilizado o índice de EG para avaliar essas consequências, através das características dos sectores. Em concreto, os autores acrescentam à metodologia os dados obtidos através da base de dados da D&B71, permitindo o cálculo de estatísticas adicionais. Um primeiro resultado obtido de interesse é a obtenção de índices de aglomeração para sectores desagregados a 4 dígitos do SIC ao nível do código-postal. Este nível de detalhe não tinha sido desenvolvido até ao momento. Estes resultados também irão permitir obter informações sobre a que nível as consequências referidas poderão operar nas aglomerações identificadas. Um outro ponto de relevância foi a criação de controlos para as aglomerações identificadas, em termos de potenciais justificações para a sua existência. Assim, de forma a eliminar da análise factores como vantagens naturais, os autores utilizam as tabelas input-output para obter dados sobre a correlação entre variáveis, como custos energéticos por vendas ou

69

“Labour market pooling” (Rosenthal e Strange, 2001)

70

Este factor apresenta os mesmos efeitos do que a presença de fornecedores especializados.

71

Dados empresariais para o ano de 2000, disponíveis a 4 dígitos do SIC e localizações ao nível do código-

postal.

79


recursos naturais por vendas, e sectores. Quanto à influência dos custos de transporte, utilizam a variável “custo de inventários por vendas”. Para a análise da correlação entre as consequências teóricas dos clusters e a presença de aglomerações, os autores prosseguem com a utilização de variáveis retiradas das tabelas I/O, justificando economicamente a sua escolha. Em concreto, as variáveis “inputs manufacturados por vendas” para análise da partilha de inputs, “inovações por vendas”72 para análise dos spillovers de conhecimento e “produtividade líquida” / “rácio de trabalhadores em posição de gestão em relação ao total de trabalhadores” / “percentagem de trabalhadores com doutoramento / mestrado / licenciatura / bacharel”. De seguida são determinados os impactos das variáveis seleccionadas nas aglomerações identificadas através de: !!,! = !!! + !!,! Em que !!,! é o índice de aglomeração para o sector m para a unidade espacial j, !! o conjunto de características do sector m, tendo em conta o coeficiente ! e !!,! uma medida de erro independente. Aos resultados aplicados é aplicado o método dos mínimos quadrados, analisando por sua vez o valor do R2 obtido de forma a verificar a ligação entre as variáveis seleccionadas e as aglomerações. A explanação desta metodologia tem como objectivo exemplificar um possível método de determinação de aglomerações por via de identificação dos seus efeitos. Se for possível determinar fortes indícios de que determinadas variáveis (quantificáveis e identificáveis) estão associadas a consequências conceptuais dos clusters e à presença de aglomerações, então analisando essas variáveis pode-se dividir as aglomerações (previamente identificadas) em concentrações empresariais ou clusters. No entanto, não é aconselhável a utilização directa das mesmas variáveis referidas no trabalho de Rosenthal e Strange (2001) pois apenas explicam entre 0% e 7% das aglomerações identificadas. É aconselhada cautela na utilização desta metodologia, controlando quanto a relações espúrias, procedendo à justificação económica da escolha das

72

Apesar de esta variável apenas estar disponível para o ano de 1982.

80


variáveis e utilizando apenas resultados sólidos. Para referência, os trabalhos de Hill e Brennan (2000) e Baptista e Swann (1998) utilizam outras variáveis que poderão ser utilizadas para determinação dos efeitos da presença de clusters. Caso a opção passe pela criação ou adaptação de indicadores aos dados estatísticos disponíveis ou considerados mais adequados, então sugere-se que se tenha em consideração os impactos conceptuais dos clusters, já identificados na secção 2.4. Desta forma, analisando o diagrama mencionado e as relações causa-consequência, será possível obter uma visualização mais adequada de quais as variáveis estatísticas a ser utilizadas.

81


5 – APLICAÇÕES PRÁTICAS DAS METODOLOGIAS 5.1 – Department of Trade and Industry – Reino Unido Nesta secção irá analisar-se e discutir o trabalho promovido pelo Department of Trade and Industry 73 do Reino Unido e executado por Trends Business Research, denominado “Business Clusters in the UK – A First Assessment” (Miller et al., 2001). Este estudo foi efectuado com o principal objectivo de mapear os clusters no Reino Unido permitindo assim a sua avaliação, e a criação de políticas económicas direccionadas para o seu desenvolvimento. Os autores procuram utilizar as metodologias de mapeamento que consideram mais adequadas, fundamentando as suas escolhas na literatura teórica existente74. Este trabalho permitiu não só a identificação de diversos clusters conforme mapa em anexo 10, como também a aplicação prática das metodologias seleccionadas. Para efeitos deste estudo, foram utilizadas duas fontes de dados estatísticos, desagregados de acordo com as regiões do Reino Unido: i)

Inter departmental business register (IDBR) para Setembro, 1999 – para a obtenção de dados relacionados com a actividade empresarial, divididos conforme o sistema de classificação empresarial (SIC) de 5 dígitos75;

ii)

Base de dados da Dun&Bradstreet (D&B) – de forma a obter dados adicionais relativos a determinados sectores, e para determinar ligações entre sectores de forma detalhada.

A metodologia em si é composta pelos seguintes passos76: 1º - Identificação de concentrações empresariais, sendo que estas serão compostas por sectores que apresentem em simultâneo valores para o LQ superiores a 1,25 e empreguem mais do que 0,2% do total da população empregada na região em análise. Os autores

73

Este departamento governamental foi substituído, em 2007, pelo Department for Business, Enterprise and

Regulatory Reform e pelo Deparment for Innovation, Universities and Skills. 74

Os autores partem da mesma definição de cluster que é utilizada neste trabalho, seguindo também os seus

pressupostos e bases, o que acrescentará relevância à metodologia e aos resultados encontrados. 75

A impossibilidade de utilizar dados mais detalhados é lamentada pelos autores.

76

Encontra-se, no anexo 13, um diagrama, retirado de Miller et al. (2001), que resume os diversos passos.

82


prosseguem pressupondo a existência de ligações entre os sectores concentrados na mesma região, e com base em interpretação e discernimento, agrupam esses sectores em clusters. A agregação de sectores em clusters foi efectuada, em detalhe, através de: i)

informação retirada das tabelas input-output;

ii)

padrões similares de localização;

iii)

conhecimento do funcionamento do processo produtivo de cada sector;

iv)

suposição em que as empresas do mesmo sector (agregado) terão tendência a localizar-se na mesma área;

v)

informação sobre ligações entre sectores, retirada do U.S. Census.

2º - Os sectores em que foram identificadas concentrações regionais que levaram a um LQ superior a 1,25, mas que não apresentaram significância regional (menos de 0,2% do total de emprego para a região), foram examinados e associados a clusters, quando possível. 3º - Os sectores que apresentaram significância regional mas um nível de concentração que originou um LQ inferior a 1,25 foram analisados, tal como no 2º passo. Após identificação e separação de sectores “locais” 77, os restantes sectores foram associados a clusters, ou formarão por si só o “núcleo” de clusters. Ou seja, mesmo que um sector não apresente níveis de concentração acima da média, poderá ter uma relevância regional acima da média e tal ser suficiente para potenciar a concentração de outros sectores em torno deste. 4º - Os restantes sectores sem significância regional ou níveis de concentração elevados foram agregados em clusters de “menor importância” ou isolados e excluídos. 5º - A base de dados da D&B foi utilizada, de seguida, para identificar em específico a natureza da produção das maiores empresas no interior de cada cluster, e obter mais informações sobre potenciais ligações e relações. Em concreto, um dos principais objectivos foi a identificação de clusters “não classificados”78. Ao mesmo tempo, os autores tentam limitar os possíveis erros da análise quantitativa baseada no quociente de localização.

77

Este termo tem a mesma conotação e significado que Porter utiliza, posteriormente (Porter, 2003). Ver sub-

secção 4.3.7. 78

Ou seja, clusters que não se enquadram em classificações setoriais tradicionais detalhadas e diferenciadas

pelo SIC.

83


6º - Análise dos Local Authority District (LAD), de forma a identificar cluster que possam estar ocultos pela análise regional, localizar geograficamente os clusters de forma mais precisa, e eliminar “falsas” concentrações empresariais79. Os autores focaram em particular os LAD ou com um LQ superior a 5 e mais de 1000 empregos, ou que componham mais de 0,2% do total do emprego para o sector. Concluíram com a comparação entre as concentrações encontradas e os clusters conforme definidos regionalmente. 7º - Separação dos clusters encontrados, classificando-os conforme o seu desenvolvimento, significância, profundidade, a sua dinâmica de emprego e a natureza das ligações existentes. Esta classificação tem como objectivo principal preparar a investigação mais aprofundada de cada cluster. Os autores informam que o trabalho apresentado representa apenas uma primeira análise a potenciais clusters, havendo limitações quanto à certeza da sua existência. Especificando, apesar de serem identificadas concentrações de empresas, e determinadas ligações entre estas, que formam os clusters, os autores não desenvolveram um método para confirmação dessas mesmas ligações. Assim, não havendo forma de comprovar a existência de relações entre os membros dessas concentrações, não é possível determinar se de facto consiste num cluster. Ao mesmo tempo não é possível confirmar que as empresas associadas a um cluster estão de facto ligadas a este, e se outras que foram excluídas possam estar. Por esse motivo, alertam para a possível existência de “apenas” potenciais clusters. Em termos de análise podemos verificar a presença de algumas vantagens associadas a esta metodologia, em particular a inclusão de uma base de dados externa (D&B) que pode auxiliar nas análises, a utilização de classificações empresariais detalhadas, e a complementaridade de métodos estatísticos com métodos informativos.

79

Uma falsa concentração representa uma situação em que, por exemplo, uma empresa de grande dimensão

emprega um elevado número de trabalhadores, suficiente para influenciar, de forma significativa e isolada, o LQ e a percentagem de emprego total da região.

84


5.2 – Cluster Mapping Project e o International Cluster Competitiveness Project Fundado pelo “Institute for Strategy and Competitiveness” da “Harvard Business School” e por Michael Porter, o “Cluster Mapping Project (USCMP)” define-se como um projecto que visa identificar, mapear e informar sobre clusters nos Estados Unidos. Para esse objectivo, a metodologia de mapeamento de Porter (2003) é executada passo por passo80, utilizando os dados estatísticos mais recentes, de forma a manter actualizada a lista de clusters identificados.

Fornece assim dados sobre clusters e sub-clusters de sectores locais,

comerciais e dependentes de recursos naturais, a nível das áreas metropolitanas, áreas económicas, estados ou país. Em congruência com a metodologia referida, são acrescentados mais dois passos: - Comparação de clusters identificados ao nível estatal com os resultados a nível das áreas económicas. Supõem-se que este passo seja efectuado para reduzir o erro de identificação de clusters compostos por empresas em lados opostos dos estados, comparando com as áreas económicas; - Antes de se definir o cluster final, os sectores “nucleares” 81 da economia são identificados, e o indicador de correlação entre estes sectores e os restantes é executado, de forma a determinar a composição do cluster. De seguida, executam o indicador de correlação entre todos os pares de sectores considerados relevantes, e caso se verifique forte significância dos resultados, são acrescentados ao cluster. Pelo verificado na sub-secção 4.4.3, estas modificações representam uma mudança na metodologia, sobretudo ao nível da utilização dos indicadores de correlação. Porém, tendo em conta o nível de subjectividade da sua aplicação e a limitação na comparabilidade e dados

80

Incluindo o mencionado nas sub-secções 4.3.7, 4.4.3 e 4.5.2. Existem diferenças na aplicação em dois pontos

identificados por análise do projecto: i) definição da agregação dos sectores locais e dependentes de recursos naturais em clusters; ii) na definição de cluster utilizada, são incluídas as “universidades e instituições relacionadas”, contradizendo a definição de Porter de 2003 e adicionando um forte grau de certeza à descrição complementar de 1998: “muitos clusters incluem instituições governamentais e outras – como universidades,(…)”. 81

Traduzido de “core”.

85


estatísticos fornecidos pelo USCMP, não é possível verificar qual o método que será mais adequado. Em termos de funcionamento interno, o USCMP permite a obtenção de informações sobre os clusters existentes, em termos de competitividade, salários médios, nível de emprego, e a comparação da performance de cada cluster de acordo com a unidade espacial seleccionada. Inversamente, permite também verificar a performance da própria área metropolitana, tendo em conta o grau de presença e impacto de cada cluster. O “International Cluster Competitiveness Project” apresenta um objectivo diferente. Este projecto foi criado para efectuar uma análise internacional da performance de cada cluster e sub-cluster que apresente competitividade internacional. Através da análise de dados sobre exportações associadas aos clusters, verificam a posição relativa de cada país, e o impacto que os clusters têm na economia. Embora, tal como é referido no projecto, o objectivo passe também pela comparação internacional de performances, este projecto, de forma aparente, falha no seu cumprimento. Porter, conforme já foi referido, indica que a metodologia não é passível de ser replicável fora dos Estados Unidos (Porter, 2003). Verificou-se também que as ligações e relações pelas quais são agregados os sectores em clusters podem não ser as mesmas ao alterar-se a unidade espacial analisada. E por último, a definição de competitividade por via de análise exclusiva das exportações poderá excluir parâmetros relevantes de comparação. Generalizando para os dois projectos, podemos concluir que, embora a metodologia determinada por Porter em 2003 tenha interesse ao nível da identificação de clusters, a sua utilização para análise da competitividade de regiões ou entre países poderá ser difícil.

86


5.3 – Mapeamento de clusters pela OCDE Esta secção foca a metodologia de mapeamento de clusters utilizada pela OCDE (Organização para a Cooperação e Desenvolvimento Económico), em particular para a identificação de clusters em países do centro e leste da Europa82 (OECD, 2005). Esta metodologia foi seleccionada com o objectivo de exemplificar o mapeamento executado por uma organização internacional, e por apresentar uma metodologia diferente das explanadas até ao momento. Previamente à sua descrição, será relevante informar da utilização, por parte da organização para a execução do mapeamento referido, de uma definição diferente: “Clusters são concentrações locais de empresas relacionadas por ligações verticais ou horizontais que se especializam em sectores relacionados em conjunto com organizações de suporte.”83 Esta definição, diferente da criada por Porter e utilizada pelas restantes instituições referenciadas neste capítulo, foi criada pelo facto de não ter sido possível o consenso entre os participantes dos diversos países analisados. A justificação efectuada pela organização passa pela necessidade de criar uma definição que “permita peritos (…) focar certos aspectos de clusters nos seus países de acordo com as suas próprias prioridades e permitir a comparação entre países” (OECD, 2005). Porém, deve-se referir que a definição criada apresenta duas alterações relevantes: em primeiro lugar, considera que existem apenas relações verticais e horizontais entre as empresas, negligenciando as relações informais e com empresas relacionadas; e ao mesmo tempo acrescenta relevância às organizações de suporte, mas exclui o ambiente externo. A metodologia em si foi descrita da seguinte forma: 1º - Divisão dos países analisados em regiões de acordo com as divisões administrativas utilizadas pela OCDE e utilização do sistema de classificação empresarial NACE;

82

Eslovénia, Eslováquia, Hungria, Polónia e República Checa.

83

Clusters” – local concentrations of horizontally or vertically linked firms that specialize in related lines of

business together with supporting organizations.” (OECD, 2005)

87


2º - Utilização do LQ para a identificação de concentrações empresariais. Segundo os autores, não foi efectuada análise das relações entre sectores pela impossibilidade na utilização de tabelas I/O. Porém, foi pressuposta uma forte correlação entre as concentrações empresariais identificadas e os clusters conforme definidos no campo teórico; 3º - Utilização de inquéritos, entrevistas e estudos de caso individuais para providenciar as informações em falta sobre as relações existentes, efectuados a empresas localizadas no interior das concentrações identificadas no passo 2. 4º - Os três primeiros passos são considerados a metodologia base. Os consultores contratados pela OCDE para mapear e analisar clusters em cada país tiveram a liberdade de utilização de métodos adicionais ou relacionados com os passos básicos. Um dos exemplos é o caso da Eslovénia, onde efectuaram análise através do LQ, baseada em códigos de classificação empresarial e 1º e 2º nível e em dados de emprego, valor acrescentado bruto (total e por empregado) e número de empresas. Os sectores, de forma a serem considerados “nucleares” para a região, têm de obter um valor no LQ para pelo menos três critérios. Após identificação das concentrações, foi efectuado um inquérito a uma amostra de empresas aí localizadas, de forma a determinar as ligações existentes, tanto verticais e horizontais, como com instituições de suporte. As concentrações com as ligações mais fortes foram consideradas clusters. De forma a providenciar outros exemplos, refere-se que no caso da Eslováquia, foi seleccionado o limite mínimo de 1 para o LQ e utilizando apenas dados sobre emprego, e foram efectuados inquéritos, entrevistas e estudos de caso para determinação das ligações entre sectores. Na Polónia apenas foram efectuados inquéritos, tendo os clusters sido identificados de forma prévia, sem porém ser discutida a metodologia. Verifica-se que apesar da criação de uma definição “única” e uma metodologia base para o mapeamento de clusters, o esforço não foi suficiente para efectuar uma comparação internacional dos resultados obtidos, pois ficaram pormenores em aberto poderá ter permitido que os países utilizassem a metodologia mais adequada aos seus próprios interesses.

88


Os resultados podem também ter sido influenciados de forma significativa pelo facto de se utilizar dados estatísticos com um pequeno grau de desagregação, tanto ao nível da unidade espacial como dos sectores analisados.

89


5.4 – O mapeamento de clusters na Europa – O projecto “Europa INNOVA” Recentemente (1990-presente) tem sido desenvolvido um esforço para a criação de condições para o mapeamento de clusters na Europa, evitando a metodologia preferida até aí para a sua detecção, o estudo de caso (Ketels, 2004). Estes esforços têm origem na Comissão Europeia, que a par com a crescente noção (conceptual) do impacto e relevância dos clusters para as economias desenvolvidas, criou em 2006 a iniciativa Europa INNOVA. Europa INNOVA consiste numa iniciativa que “aspira a tornar-se um laboratório de desenvolvimento, teste e promoção de novas ferramentas e instrumentos para suporte da inovação (...)”84. Nesse sentido, foram criadas várias ferramentas entre as quais o European Cluster Observatory (ECO)85, em 2007, tendo como objectivo a “construção de políticas eficazes baseadas em clusters e medir o impacto económico dos clusters na Europa”86. O European Cluster Observatory, sendo uma ferramenta, foi desenvolvida como plataforma virtual com o objectivo de se tornar “ponto único de acesso a informação e análise de clusters e políticas de clusters na Europa. (...) Providencia dados e análises sobre clusters e competitividade, uma biblioteca e uma sala de aulas para educação sobre clusters”87. No interior da plataforma virtual88 é possível aceder a um instrumento denominado de Cluster Mapping (EUCM)89, que permite visualizar uma variedade de dados estatísticos sobre emprego, crescimento de emprego, salários médios, tamanho, especialização, número de empresas, etc. Estes dados encontram-se disponíveis para as regiões NUTS II90 e para os anos de 1991 a 2009. Ao mesmo tempo, permite também a selecção do sector, ou vários

84

Texto retirado de http://www.europe-innova.eu/web/guest/about

85

“Observatório Europeu de Clusters” (tradução direta).

86

Texto retirado de panfleto promocional da iniciativa Europa INNOVA, disponível em http://www.europe-

innova.eu/c/document_library/get_file?folderId=14530&name=DLFE-11454.pdf 87

Texto retirado de http://www.clusterobservatory.eu

88

Disponível através da seguinte ligação: http://www.clusterobservatory.eu/

89

Ainda em versão “beta”, ou seja, ainda não se encontra na sua versão final

90

Divisão efetuada pela União Europeia dos países membros em 404 regiões, para efeitos estatísticos.

90


sectores, definidos de acordo com o NACE91, 2ª revisão, detalhados a 4 dígitos. Em anexo 12 encontra-se um exemplo da utilização da ferramenta. Estes dados estatísticos podem, conforme a opção do utilizador, ser visualizados em tabela, gráficos de correlação, ou mapeados geograficamente ou exportados. O instrumento Cluster Mapping representa um esforço conceptualmente equivalente ao do US Cluster Mapping Project. Porém, na aplicação prática existem algumas diferenças, das quais se destaca: -

No EUCM, a análise é sectorial, ou em alternativa, multissectorial. Não foi efectuada uma associação prévia de sectores a clusters e sub-clusters, como se verifica no USCMP, que tem por base as ligações identificadas por Porter. Por um lado podemos considerar que esta diferença é vantajosa, caso o utilizador saiba quais os sectores que se encontram ligados, ou pelo contrário, inibidora da análise caso as ligações sejam desconhecidas.

-

Ao contrário do USCMP, o EUCM apresenta dados apenas ao nível NUTS II. Tendo em conta o que já foi discutido neste trabalho sobre a relevância da proximidade, será mais lógica a utilização de unidades geográficas equivalentes às Áreas Económicas ou Áreas Metropolitanas. Tanto ao nível da proximidade geográfica como da proximidade sociocultural, as NUTS II poderão ser, por vezes, demasiado extensas.

-

Está previsto pelo ECO a evolução da sua plataforma para o denominado ECO-II, em que além da plataforma virtual, são fornecidos serviços como benchmarking, ligações para parcerias, etc. Ao mesmo tempo, a plataforma em si será transformada para albergar mais dados estatísticos (incluindo agregação de sectores em clusters) e permitir maior interactividade com os utilizadores (Ketels, 2009). Um exemplo dado será a criação de regiões e definir as suas próprias categorias de clusters, introduzindo dados estatísticos fornecidos pelo utilizador.

O ECO permite, em adição ao instrumento EUCM, algumas informações adicionais, e têm sido desenvolvidos trabalhos, em particular pelo Consortium que é responsável pela

91

Sistema oficial da União Europeia para cclassificação das atividades económicas. Para a maioria das atividades,

os seus códigos são equivalentes ao sistema CAE rev. 3.

91


manutenção e desenvolvimento da ferramenta. Dos documentos destaca-se a criação de um directório de organizações de clusters e o mapeamento de clusters nos 10 países que aderiram à União Europeia em 2004 (Ketels e Sölvell, 2006). Este último trabalho detalha em pormenor a metodologia adoptada para a identificação de clusters, tanto a nível de alocação de códigos de actividade como de mapeamento geográfico, e efectua a distinção em relação às restantes metodologias. A metodologia é iniciada pela definição de clusters pela alocação de sectores. Os autores utilizam as mesmas definições que o US Cluster Mapping Project, criadas por Porter (2003), pois consideram que a economia dos Estados Unidos providencia uma base histórica em termos de decisões de localização, não disponível nos países europeus enquanto União Europeia. De seguida, foi definida a unidade geográfica a analisar. Os autores consideraram que a utilização da NUTS 2 seria adequada. O terceiro passo foi a obtenção de estatísticas de emprego ao nível mais desagregado possível, obtendo dados ao nível 3 do NACE, tendo em conta a utilização das NUTS 2. Após obtenção da totalidade dos dados necessários, os autores passam para a construção de classificações de clusters. Em concreto, estabelecem que é necessário que as concentrações de emprego atinjam determinado nível de tamanho, especialização e dominância para poder provocar spillovers e outros benefícios económicos. Para efeitos do trabalho referenciado, os autores atribuíram uma estrela aos 10% de clusters observados com maior concentração de emprego numa dada localização. Atribuíram outra estrela a clusters que atinjam um valor para o quociente de especialização (SQ) 92 superior a 1,75, ou aos 10% de clusters observados mais especializados. E uma última estrela foi atribuída a clusters que atinjam um valor de emprego superior a 7% do total para a região, reflectindo os 10% de clusters mais relevantes para a localização. O último passo da metodologia passou por estudos de caso para verificar qual o impacto que determinados clusters provocaram na economia regional, analisando ao mesmo tempo a

92

Apesar do nome do quociente ser diferente, a formula é igual à do quociente de localização (LQ).

92


qualidade da metodologia 93. O objectivo seria confirmar se os clusters identificados se revelam clusters “reais”. Os dados necessários para a criação dos estudos de caso foram adquiridos por meio de entrevistas e pelos próprios critérios de selecção, que também revelam informações sobre a competitividade dos clusters. Os critérios de selecção de estudos de caso são seleccionados segundo três critérios: i)

Aplicabilidade do modelo de cluster. O modelo conceptual utilizado é baseado no definido por Porter, e observa o cluster segundo a sua dimensão, nível de concentração geográfica, variedade de empresas presentes e instituições;

ii)

Relevância para a economia local, ao nível de emprego, exportações, inovação, utilização de vantagens competitivas locais, etc.;

iii)

Potencial de crescimento, em termos de mercado, desenvolvimento de inovações e adopção de novas tecnologias.

Uma vez que os resultados dos estudos de caso não foram revelados, não é possível verificar qual o desempenho dos clusters seleccionados segundo os critérios referidos. Os autores, ao longo do trabalho, identificaram diversas falhas na disponibilidade de dados, lamentando, por exemplo, a necessidade de utilização exclusiva de dados sobre emprego, sugerindo a disponibilização de dados sobre salários, produtividade e valor acrescentado. Tal poderia permitir a melhor identificação de clusters intensivos em capital ou tecnologia, ao invés de emprego. Também nos estudos de caso houve sérias limitações quanto ao tipo de dados recolhidos a nível regional (NUTS 2).

93

Os critérios encontrados podem ser visualizados no trabalho original.

93


6 – O CONTEXTO NACIONAL E REGIONAL A aplicabilidade das metodologias de mapeamento discriminadas ao longo dos capítulos 4 e 5 tem de ser contextualizada perspectivando a realidade geográfica, social, cultural e económica. Existem diversos factores que afectam, de forma regional ou nacional, os resultados obtidos com a aplicação das metodologias, podendo ser diferentes dos esperados e que serão expostos de seguida: i) A disponibilidade de dados estatísticos. Rigor no mapeamento de clusters não implica apenas a utilização de uma metodologia adequada, mas também a utilização de dados estatísticos que permitam o grau de detalhe e informação desejado (Markusen, 2003). Verificaram-se, ao longo dos trabalhos analisados, dificuldades na obtenção de dados sobre sectores desagregados ao nível mais detalhado do sistema de classificação empresarial, e dados sobre outras variáveis para além do emprego. Um dos principais problemas observados é a agregação dos sectores. Esta limitação impede a análise das ligações e concentrações de empresas a um nível que evite incertezas. Cada país tem um formato próprio para o seu sistema de classificação empresarial, sendo também definidos os níveis de agregação a que serão recolhidos os dados. Dados para unidades geográficas como regiões, distritos, etc., podem não ser recolhidos, impedindo análises regionais; ii) A realidade socioeconómica da região, em particular ao nível do tecido empresarial existente, e a presença de instituições relacionadas, infraestruturas, etc. Esta realidade irá influenciar a dimensão e composição do cluster que se deverá esperar. Não é pretendido, com esta perspectiva, criar expectativas sobre estes aspectos dos clusters mas sim evitar a utilização de metodologias não adequadas, devendo-se avaliar o contexto em que estas foram previamente executadas. A título de exemplo, será lógico não esperar a presença de ligações de proximidade entre empresas e um número elevado de instituições numa localização rural. Inversamente, deve-se ter em conta que a mera existência de um número elevado de potenciais instituições externas, pela proximidade de um centro urbano, não implica a presença de ligações; iii) A existência de ambientes socioculturais distinguíveis na região, poderão também influenciar a análise. Pelo que foi discutido no capítulo 2, uma concentração empresarial presente em torno de um ambiente próprio e único poderá ter uma maior relevância para a verificação de determinados benefícios, como spillovers de conhecimento. A análise desses 94


benefícios para identificação de clusters terá de ser contextualizada para a existência ou ausência de um ambiente sociocultural no interior da aglomeração; iv) As características naturais do território, nomeadamente obstáculos e vias de comunicação. Estas características irão afectar as possíveis localizações das empresas, em conjunto com a presença de zonas demarcadas para a actividade industrial. Ao mesmo tempo, ao proceder-se à determinação de concentrações empresariais e o grau de proximidade a que se encontram, deve-se ter em atenção esses factores, pois tal pode significar que a proximidade não terá impactos reais, por impossibilidade de se gerar ligações. Este é um dos factores que segundo Ellison e Glaeser (1997), tal como Duranton e Overman (2005), deve ser controlado de forma a evitar confusão entre concentrações e aglomerações; v) Características administrativas. As fronteiras delimitadas de forma administrativa podem por vezes não corresponder às adequadas para identificar concentrações empresariais. A presença destas em proximidade de fronteiras administrativas deve ser analisada de forma a evitar o seu mapeamento incorrecto. Este problema foi já identificado na sub-secção 2.3.2, e afecta as metodologia de mapeamento que utilizem unidades geográficas na sua análise; vi) A presença de zonas urbanas. Como foi visto na secção 2.2, é necessário distinguir entre impactos gerados por economias de localização e de urbanização. A presença de concentrações de empresas numa zona urbana será esperada, como já foi discutido, e as identificações deverão ser avaliadas com maior grau de detalhe. Esta perspectiva de contextualização a nível nacional e regional é efectuada, de forma geral, pelos analistas no momento de execução das metodologias de mapeamento, ou de forma inconsciente por quem estuda os resultados obtidos. Porém, poderá ser relevante a teorização em pormenor dos factores que afectam esse contexto e a sua execução a nível prático de previamente à identificação de clusters.

95


7 – CONCLUSÕES 7.1 – Metodologia de mapeamento proposta Relembrando o mencionado na introdução, o principal objectivo deste trabalho reside na resposta à questão: considerando a relevância para o sucesso das políticas públicas regionais, qual será a melhor metodologia para mapeamento dos clusters que eventualmente existentes na região Norte? Após análise das metodologias e do contexto em que estas se irão inserir, tendo como base os fundamentos teóricos, concluiu-se que existem duas principais conclusões a retirar: i)

Para a execução de um mapeamento de clusters rigoroso não é suficiente a escolha de uma metodologia de mapeamento adequada. Deve-se também contextualizar para o país e região em análise, e obter dados estatísticos que consigam detalhar os resultados de forma a evitar incertezas.

ii)

A identificação de clusters deve ser realizada ponderando a necessidade de agregação de diversas metodologias, de forma a conseguir uma imagem completa e exacta da realidade da região. Adicionalmente, não será possível, neste momento, executar uma identificação com metodologias que não apresentem desvantagens de algum tipo, pelo que se deve ter tal em consideração.

No sentido de dar significado às duas conclusões retiradas, considerou-se a criação de uma metodologia de mapeamento de clusters para a região Norte. Atendendo à natureza conceptual deste trabalho, optou-se por descrever a metodologia que se considera a mais adequada, e os dados estatísticos mais apropriados. Quanto a informações estatísticas, considerou-se a necessidade de obter os seguintes dados: - Base de dados empresarial, com registo da totalidade de empresas para Portugal Continental, para o ano de análise e pelo os dois anteriores, com as seguintes informações: o Código postal de 7 dígitos (formato XXXX-XXX) e respectivo concelho;

96


o Sector de actividade ao nível de subclasse (5 dígitos) 94 ; o Número de funcionários; o Resultados Operacionais; - Listagem de códigos postais de 7 dígitos e correspondentes coordenadas geográficas95, para a região Norte. - Dados relativos ao emprego total de cada subclasse (5 dígitos – CAE), e para cada NUTS 3, para o ano em análise e os dois anos anteriores (não necessários caso seja possível retirar a mesma informação da base de dados empresarial). Quanto à metodologia a ser aplicada através dos dados estatísticos acima identificados, propõe-se os seguintes passos: 1) Tendo por base os resultados apresentados na sub-secção 4.3.7 por Porter (2003), o primeiro passo será a divisão dos sectores empresariais em sectores locais, comerciais e dependentes de recursos naturais. Para tal, será aconselhável recorrer à metodologia descrita pelo autor, utilizando as informações disponibilizadas pela base de dados empresarial, e efectuando a análise para a região Norte 96 . Assim, deverão ser apenas utilizados os dados respectivos aos sectores comerciais, excluindo os restantes. 2) Como Porter refere, os clusters são compostos por conjuntos de empresas, não exclusivas de um só sector, mas antes de um conjunto de sectores, ligados e relacionados (Porter, 1998a). Assim, considera-se essencial que o segundo passo seja a identificação dessas ligações e relações, criando conjuntos de actividades económicas. Porém, verificou-se que este será o passo de mais complexa estimação, após análise da secção 4.4, em particular pela a existência de desvantagens na utilização de qualquer dos métodos. Para a execução deste passo, considerou-se três possibilidades:

94

As actividades estão agregadas em 5 níveis, começando por secção (letra), divisão (2 dígitos), grupo (3

dígitos), classe (4 dígitos) e subclasse (5 dígitos). Para mais informações sobre detalhes ver INE (2007 pp14). 95

A localização geográfica dos códigos postais pode ser obtida através da empresa CTT - Correios de Portugal,

S.A., ou outra empresa que proceda a identificação de locais por coordenadas geográficas. 96

Pressupõe-se uma maior facilidade na identificação de padrões caso se opte por uma unidade geográfica mais

reduzida.

97


a) O estudo das ligações comerciais através da identificação de compras e vendas entre sectores, utilizando para o efeito a matriz de produção e o quadro de recursos e empregos, e seguindo a metodologia desenvolvida por Feser e Bergman (2000). O pressuposto inerente é a relação entre a existência de vantagens associadas a uma ligação e a sua concretização comercial, que estará identificada nas tabelas referidas. Esta metodologia apresenta no entanto três desvantagens. Em primeiro lugar, as ligações identificadas são apenas as comerciais, não sendo identificadas ligações informais como as ligações tecnológicas ou sociais e relações com terceiros. Em segundo lugar, a existência de dados exclusivamente ao nível nacional impede que seja localizada com maior precisão a origem das ligações. Ou seja, utilizando tabelas nacionais, não é possível determinar se a localização de uma relação comercial ocorre de forma exclusiva, inclusiva ou externa à região Norte. Por último, o nível de desagregação dos sectores não será o desejado97, pelo que ligações verificadas entre grupos ou classes (seguindo a classificação do sistema CAE) não garante que duas específicas subclasses estejam ligadas. b) A identificação de indícios de correlação de emprego entre as actividades nas NUTS 3. Para o efeito, seriam utilizados dados estatísticos que permitam o maior detalhe possível ao nível do sector e a análise seria efectuada para todas as NUTS 3 que compõem a região Norte, não estendendo a análise para o país. Nesta metodologia o pressuposto consiste na correspondência entre a existência de uma correlação na localização de emprego entre sectores, e a existência de benefícios para esses sectores, encontrando-se assim relacionados. Porém, o método não permite distinguir entre a correlação de emprego pela existência de economias de urbanização ou de economias de localização. Adicionalmente, a natureza única de cada cluster (Porter, 1998a), implica que uma relação existente no seu interior pode não verificar-se fora da sua localização. Caso essa relação seja única à localização, existirão apenas ligeiros indícios de correlação das actividades. Mesmo limitando a

97

O nível de desagregação mais detalhado que foi possível obter correspondeu à matriz de produção e ao

quadro de recursos e emprego, para o país (ambos fornecidos pelo INE), em que algumas das actividades se encontram detalhadas ao quarto dígito, mas não a sua totalidade.

98


análise à região Norte, existirá incerteza sobre a identificação de relações entre sectores. c) A última alternativa para identificação de relações entre empresas consiste na execução dos primeiros 5 passos da metodologia executada pelo DTI (Miller et al., 2001), utilizando os dados de emprego para cada sector e para cada NUTS 3. A construção dos clusters de acordo com a metodologia definida, será efecutada através da utilização de concentrações que apresentem um SLQ98 estatisticamente significante ao invés de um LQ com valor superior a 1,25. Esta modificação apresentada por O’Donoghue e Gleave (2004) irá conferir relevância estatística aos resultados. Neste caso, o pressuposto será a presença de um sector central em cada cluster que terá um nível de concentração acima da média. Será à volta desse sector ou do produto/serviço fornecido por este que as restantes empresas se aglomeram, com intenção de daí obter benefícios. Tal poderá não se verificar em todas as situações, sobretudo se considerarmos um nível de agregação da actividade diferente (ver subsecção 2.3.3). A execução deste passo deve ser efecutada com o auxílio de ferramentas como a técnica visual de Markusen, vista no capítulo 4.4.2, que permite analisar as ligações de uma forma ordenada e divide as ligações entre internas e externas a cluster. Apesar das desvantagens associadas a uma análise com carácter subjectivo e um processo complexo e moroso, permitirá a observação individualizada de cada concentração, sendo assim o que apresenta maior consistência com o conceito teórico de cluster. Analisando as vantagens e desvantagens associadas a cada uma das hipóteses, considera-se que será preferencial a execução da opção c), em particular devido às desvantagens inerentes às duas restantes opções. De forma complementar, sugere-se que se divida as concentrações entre as que apresentam apenas ligações verticais, e as concentrações com ligações horizontais e verticais. Pela análise

98

Para obter dados sobre este indicador, aconselha-se a execução do LQ para todas as NUTS 3 do país, e

selecionar apenas os SLQ que sejam identificados na região Norte.

99


e devido à proximidade entre os conceitos, o primeiro tipo poderá tratar-se de um distrito industrial, uma vez que esta metodologia não faz a distinção. 3) O passo seguinte passa pelo mapeamento dos conjuntos de sectores interligados identificados no passo 2, por meio de visualização geográfica. Essa visualização dos dados pode ser efectuada através de um sistema de informação geográfica (SIG), associando a cada código-postal as respectivas coordenadas geográficas. Em concreto, utiliza-se a base de dados empresarial para se identificar o código-postal de cada empresa dos sectores relacionados

99

, e associa-se as respectivas coordenadas, mapeando os pontos

correspondentes na NUTS 3 analisada. Após esse mapeamento, deve ser efectuada uma análise construtiva, com base na concentração identificada e nas características geográficas. A concentração de empresas de sectores relacionados pode apresentar-se em zonas fronteiriças da NUTS 3, em zonas centrais 100 ou ainda dispersão geográfica. Caso a concentração se apresente em zonas centrais, deve-se mapear as empresas que se encontram em maior proximidade e prosseguir com a análise no ponto 4. Em situações em que a concentração se encontre numa zona fronteiriça, deve analisar-se as NUTS 3 com que a concentração tem fronteira, mapeando o mesmo conjunto de sectores. Se, verificando visualmente, existir concentração de empresas na fronteira da NUTS 3 da análise original (mesmo que em menor dimensão), deverá ser considerada parte da concentração inicial. O mapeamento deve ser efectuado seleccionando as empresas das diversas NUTS 3 em maior proximidade. E por último, em situações em que a visualização da concentração mostrar dispersão pela NUTS 3, analisar todas as NUTS 3 fronteiriças para confirmação da presença de continuidade da concentração101. Em qualquer das situações verificadas, deve-se de forma complementar verificar: a) A presença de obstáculos físicos (naturais ou artificiais) que possam evitar a comunicação e relacionamento entre os elementos da concentração, utilizando estas informações no auxílio ao mapeamento final das concentrações.

99

Caso os dados de emprego estejam disponíveis para sectores de 4 ou 3 dígitos, as empresas retiradas da

base de dados deverão ser agregadas de forma a manter a consistência e sequência da análise. 100

Para um exemplo visual, ver anexo 11.

101

Obtendo uma imagem semelhante à obtida utilizando o indicador conjunto de Carrol – sub-secção 4.3.5.

100


b) A presença de uma zona urbana no interior da concentração. Caso exista, deverá analisar-se os sectores que estão presentes na concentração, e examinar se estes poderão beneficiar pela presença da zona urbana. Nas situações em que tal se verifique, deve-se ter em conta que a análise do ponto 4 não irá distinguir entre economias de urbanização e economias de localização. Deverá ser efecutado um estudo mais profundo dos impactos inerentes à localização das empresas num cluster em zona não urbana, em comparação com a sua presença numa zona urbana, para ser possível distinguir os impactos. 4 – Até ao momento, terá sido possível, pela aplicação dos pontos prévios, verificar a existência de aglomerações de empresas de sectores relacionados e interligados em proximidade. Porém, ainda existe um passo adicional para essas aglomerações poderem ser consideradas clusters. Em concreto, será necessário que se verifique a existência de consequências daí derivadas. Segundo foi analisado na secção 2.4, existem três amplas consequências verificáveis da presença de uma empresa no interior de um cluster. Relembrando, existirão, no plano conceptual, melhoria nos resultados operacionais das empresas, aumento do número de empresas presentes na proximidade do cluster, e um aumento do emprego. Assim, de forma a complementar a identificação de clusters, devem ser criados três indicadores que poderão ser utilizados para comparar as empresas que foram mapeadas na aglomeração e comparar os seus valores com empresas externas, dos mesmos sectores de actividade: a) Indicador de produtividade operacional: !! =

! !!!

!"!,! !!,! Χ!

Em que !"!,! corresponde aos resultados operacionais102 da empresa i, localizada na aglomeração j, que dividindo por !!,! , o correspondente número de funcionários, determina a produtividade operacional. A produtividade operacional da aglomeração j é então a soma dos valores para todas as empresas, dividindo pelo número de empresas !! .

102

Disponibilizados pela base de dados empresarial.

101


De seguida, cria-se um grupo de controlo, que pode ser efectuado tendo em consideração as restantes empresas dos mesmos sectores da região Norte. Aplicando o mesmo indicador, por exemplo, !! , em que ! ≠ ! , temos que se (!! /!! ) > 1, significa que as empreas de uma dada aglomeração apresentam uma maior produtividade inerente à sua presença na localização j. b) Indicador do aumento do número de empresas: Analisando as bases de dados empresariais para o ano de análise e os anos anteriores, será possível verificar qual o aumento (redução) líquido de empresas dos sectores analisados que têm localização interna à concentração. Sendo !!,! o número dessas empresas no interior da concentração j para o ano de análise n, Δ!!,! = !!,! − !!!!,! corresponde ao aumento (redução) de empresas entre o ano n e o ano anterior (n-1). De forma a controlar quanto ao crescimento natural da economia na região Norte e nos sectores analisados, temos que: !!,! =

Δ!!,! , !"  !"#  ! ≠ ! Δ!!,!

O indicador apresentará um valor positivo caso se verifique um desempenho ao nível de criação de empresas dentro da aglomeração superior ao verificado na restante região, para os mesmos sectores. c) Indicador do aumento de emprego: O impacto da presença dos clusters, em termos de emprego, abrange, no plano conceptual, não apenas a localização mas também o restante país. Tal deve-se ao facto de um conjunto de empresas, mesmo não relacionadas e externas à localização, beneficiarem com o aumento da actividade económica. Porém, este impacto é de difícil quantificação. Dessa forma, considera-se que existirão dois tipos de impacto ao nível do emprego: interno à concentração e externo à concentração. Neste indicador irá apenas ser considerado o primeiro, que será uma consequência directa do aumento dos resultados operacionais e do aumento de empresas. O indicador a utilizar pode ser idêntico ao utilizado para determinação do impacto ao nível do número de empresas:

102


!!,! =

Δ!!,! , !"  !"#  ! ≠ ! Δ!!,!

Sabe-se que no plano teórico, os clusters irão provocar um valor positivo nos três indicadores mencionados. Desta forma, caso essa condição seja verificada, poderá dizer-se que a aglomeração identificada corresponderá a um cluster.

7.2 – Significado e interesse prático A metodologia que se apresentou neste capítulo demonstra diversas vantagens que se espera adicionar qualidade e rigor aos métodos utilizados pelas diversas organizações, conforme visto no capítulo 5. Em primeiro lugar, através da análise das metodologias de mapeamento já existentes, presentes no capítulo 4, foi possível determinar quais seriam mais adequadas para se proceder a um mapeamento rigoroso e sólido. Em segundo lugar, a desagregação e análise profunda do conceito teórico dos clusters (capítulo 2), e a sua comparação com conceitos relacionados (capítulo 3), permitiu distinguir causas e impactos, atribuindo significado económico à teoria. Ao mesmo tempo, permitiu a ligação do conceito com a realidade empresarial, levando à criação do ponto 4 da metodologia. Por último, considera-se também que a contextualização da análise (capítulo 6), confere solidez à metodologia, e apesar de significar passos prévios adicionais à execução da metodologia, sem esta perspectiva não seria possível o grau de rigor atribuído. De uma perspectiva global, esta metodologia segue a tendência verificada na comunidade científica para a utilização de dados ao nível da empresa, através da utilização de bases de dados empresariais e sistemas de visualização geográfica (Marcon e Puech, 2010). Considerase que a metodologia desenvolvida vem contribuir para a tendência, e acrescentar passos relevantes para o correcto e rigoroso mapeamento de clusters, ao invés de aglomerações ou concentrações empresariais. A visualização directa dos clusters tem vantagens adicionais que são congruentes com o conceito, pois permite acompanhar o seu dinamismo e indefinição

103


de fronteiras. Adicionalmente, cria, na nossa opinião, alicerces de trabalho sólidos para a execução de políticas de desenvolvimento económico baseadas em clusters, consideradas fundamentais para o crescimento e desenvolvimento dos países desenvolvidos (OECD, 2005; Carrol et al., 2008). A utilização desta ferramenta funciona no sentido de analisar e compreender a realidade empresarial nas concentrações. Ou seja, consideramos que o ponto 4 da metodologia será exigente, mas essencial para que se classifique uma concentração de empresas de cluster. Porém, a execução dos 3 passos iniciais permite a identificação de concentrações, e caso estas não obtenham valores positivos em algum ou na totalidade dos indicadores, não significa que não possam vir a ser consideradas clusters. Poderá significar a presença de um potencial cluster, que, dadas as condições certas e adequadas, irá transformar-se num cluster. Poderá também significar que já terá existido um cluster, mas que, com o decorrer dos anos, entrou em declínio. Em qualquer das situações, é possível agora orientar e focar de forma detalhada apoios e políticas públicas de suporte às empresas que compõem a concentração, no sentido de potenciar as suas consequências positivas para a região e para o país.

7.3 – Recomendações e sugestões Ao longo da execução deste trabalho foram identificadas falhas ou insuficiências nas metodologias que pensamos que poderão ser analisadas mais em detalhe em trabalhos futuros. Em primeiro lugar, existe, na nossa opinião, uma insuficiência na análise das consequências da presença de empresas nos clusters. Será vantajosa a construção de uma base geral de avaliação do impacto dos clusters, quantificada e detalhada, que possa ser utilizada para comparações de desempenho. A actual utilização de indicadores de exportações, volume de negócios ou número de funcionários não nos parece adequada tendo em conta o que foi referido neste trabalho. A metodologia desenvolvida, em particular o seu quarto passo, apresenta indicadores que consideramos serem válidos à luz da teoria de clusters segundo Porter. Porém, mais estudos deverão ser efectuados para confirmar ou modificar os indicadores.

104


Em segundo lugar, a criação desta base estará também comprometida pela inexistência de uma metodologia padrão, por sua vez impossibilitada pela indefinição do conceito. Em concreto, refira-se por exemplo a confusão de termos (entre clusters e concentrações ou aglomerações, e entre economias de urbanização e de localização) na criação de metodologias de mapeamento, ou a utilização de pressupostos económicos fracos para justificação da adopção de determinados métodos. As diferenças de impactos entre distritos industriais e clusters não estão quantificadas, sugerindo-se que haja mais investigação nesse sentido. Por último, a metodologia definida no presente capítulo deveria ser aplicada na prática, de forma a determinar quais as dificuldades encontradas e adaptações que poderá ser necessário efectuar. Para o efeito deveria existir uma contextualização nacional e regional mais aprofundada, tendo por base informações concretas sobre os diferentes factores identificados. Essa contextualização poderá ser, na nossa opinião, efectuada para a região Norte com maior rigor por uma organização de desenvolvimento económico regional, como a Comissão de Coordenação e Desenvolvimento Regional do Norte.

105


BIBLIOGRAFIA Acs, Z. J. 2002. Innovation and the Growth of Cities. Cheltenham, UK: Elgar. Almodovar, J., & Teixeira, A. A. C. 2009. Conceptualizing Clusters Through the Lens of Networks: A Critical Synthesis, FEP Working Papers. Porto: Faculdade de Economia da Universidade do Porto. Asheim, B. T. 2000. Industrial Districts: The Contributions of Marshall and Beyond. In G. L. Clark, Feldman, M. P., & Gertler, M. S. (Ed.), The Oxford Handbook of Economic Geography. Oxford: Oxford University Press. Baptista, R., Swann, P. 1998. Do Firms in Clusters Innovate More? Research Policy, 27: 525-540. Becattini, G. 1992. The Marshallian Industrial District as a Socio-economic Notion. In F. Pyke, Becattini, G., & Sengenberger, W. (Ed.), Industrial Districts and Inter-firm Co-operation in Italy. Geneva: International Institute for Labour Studies. Bianchi, P., Miller, L. M., & Bertini, S. 1997. The Italian SME Experience and Possible Lessons for Emerging Contries. Bologna: Nomisma. Boix, R., & Galletto, V. 2006. Mapping Marshallian Industrial Districts in Spain, EUNIP International Conference 2006. University of Limerick, Ireland. Bresnahan, T., Gambardella, A., & Saxenian, A. 2001. 'Old Economy' Inputs for 'New Economy' Outcomes: Cluster Formation in the New Silicon Valleys. Industrial and Corporate Change, 10(4): 835-860. Carrol, M. C., Reid, N., & smith, B. W. 2008. Location Quotients Versus Spatial Autocorrelation in Identifying Potential Cluster Regions. Annuals of Regional Science(42): 449-463. Cortright, J. 2006. Making Sense of Clusters: Regional Competitiveness and Economic Development. The Brookings Institution Metropolitan Policy Program(March 2006). DeBresson, C. 1996. Why innovative activities cluster. In C. DeBresson (Ed.), Economic Interdependence and Innovative Activity: An Input-Output Analysis. Cheltenham: Edward Elgar. Devereux, M. P., Griffith, R., & Simpson, H. 2004. The Geographic Distribution of Production Activity in the UK. Regional Science and Urban Economics, 34(5): 533-564. Duranton, G., Overman, H. G. 2005. Testing for Localization Using Micro-Geographic Data. The Review of Economic Studies, 72(4): 1077-1106. Ellison, G., Glaeser, E. L. 1997. Geographic Concentration in U.S. Manufacturing Industries: A Dartboard Approach. Journal of Political Economy, 105(5): 889-927. Ellison, G., Glaeser, E. L., & Kerr, W. 2007. What Causes Industry Agglomeration? Evidence from Coagglomeration Patterns, Working Paper. Engelstoft, S., Jensen-Butler, C., Smith, I., & Winther, L. 2006. Industrial Clusters in Denmark: Theory and empirical evidence. Papers in Regional Science, 85(1): 73-97. ESRI. 2005. White Paper: Spatial Statistics for Commercial Applications. New York: ESRI. Feser, E. 1998. Old and New Theories of Industry Clusters. In M. Steiner (Ed.), Clusters and Regional Specialisation: On Geography, Technology and Networks. London: Pion. Feser, E. J., Bergman, E. M. 2000. National Industry Cluster Templates: A Framework for Applied Regional Cluster Analysis. Regional Studies, 34(1): 1-19. 106


Feser, E. J., Isserman, A. 2005. Clusters and Rural Economies in Economic and Geographic Space, Regional Economics and Public Policy. Urbana: University of Illinois. Figueiredo, C., Chorincas, J., & Martins, N. 2005. Os Pólos de Competitividade como Instrumento para o Relançamento Industrial da França e a Competitividade Territorial. In D. d. P. e. Planeamento (Ed.), Territórios e Estratégias - Informação internacional: Departamento de Prospectiva e Planeamento. Fingleton, B., Igliori, D. C., & Moore, B. R. 2004. Employment growth of small high-technology firms and the role of horizontal clusters: evidence from computing services and R and D in Great Britain 1991-2000. Urban Studies, 41(4): 773-799. Gordon, I., McCann, P. 2000. Industrial Clusters: Complexes, Agglomeration and/or Social Networks? Urban Studies, 37(3): 513-532. Granovetter, M. 1973. The Strength of Weak Ties. American Journal of Sociology(78): 13601380. Granovetter, M. 1985. Economic Action and Social Structure: The Problem of Embeddedness. American Journal of Sociology, 91(3): 481-510. Grossman, G. E., & Helpman, E. 1991. Innovation and Growth in the Global Economy. Cambridge: MIT Press. Guimarães, P., Figueiredo, O., & Woodward, D. 2009. Dartboard Tests for the Location Quotient. Regional Science and Urban Economics(39): 360-364. Harrison, B. 1994a. The Italian industrial districts and the crisis of the cooperative form: Part I. European Planning Studies, 2(1): 3-22. Harrison, B. 1994b. The Italian industrial districts and the crisis of the cooperative form: Part II. European Planning Studies, 2(2): 159-174. Hertog, P., Maltha, S. 1999. The Emerging Information and Communication Cluster in Netherlands. In OECD (Ed.), Boosting innovation: The Cluster Approach. Paris: OECD. Hill, E. W., Brennan, J. F. 2000. A Methodology for Identifying the Drivers of Industrial Clusters: The Foundation of Regional Competitive Advantage. Economic Development Quarterly, 14(1): 65-96. Hotz-Hart, B. 2000. Innovation Networks, Regions, and Globalization. In G. L. Clark, Feldman, M. P., & Gertler, M. S. (Ed.), The Oxford Handbook of Economic Geography: 432-450. Oxford: Oxford University Press. Howells, J. R. L. 2002. Tacit Knowledge, Innovation and Economic Geography. Urban Studies, 39(56): 871-884. Jacobs, J. 1969. The economy of cities. New York: Vintage. Jaffe, A., Trajtenberg, M. and Henderson, R. 1993. Geographic localization of knowledge spillovers as evidence by patent citations. Quarterly Journal of Economics(108): 577-598. Kelton, C. M. L., Pasquale, M. K., & Rebelein, R. P. 2008. Using the North American Industry Classification System (NAICS) to Identify National Industry Cluster Templates for Applied Regional Analysis. Regional Studies, 42(3): 305-321. Ketels, C. 2003. The Development of the Cluster Concept - Present Experiences and Further Developments, NRW Conference on Clusters. Duisburg, Germany. Ketels, C. 2004. European Clusters. Structural Change in Europe, 3: 1-5. 107


Ketels, C. 2005. Cluster Mapping in Europe and the United States, Trend Chart Workshop. Brussels, Belgium. Ketels, C., Sölvell, Ö. 2006. Clusters in the EU-10 New Member States of the European Union. In C. f. S. a. Competitiveness (Ed.), Europa INNOVA Paper nº1. Luxemburg: Publications Office of the European Union. Ketels, C., Sölvell, Ö., & Lindqvist, G. 2009. The European Cluster Observatory - EU Cluster Mapping and Strenghtening Clusters in Europe. In C. f. S. a. Competitiveness (Ed.), Europa INNOVA Paper nº12. Luxemburg: Publications Office of the European Union. Krugman, P. 1991a. Increasing Returns and Economic Geography. The Journal of Political Economy, 99(3): 483-499. Krugman, P. 1991b. Geography and Trade: The MIT Press. Lazzeretti, L., Boix, R., & Capone, F. 2008. Do Creative Industries Cluster? Mapping Creative Local Production Systems in Italy and Spain. Industry and Innovation, 15(5): 549-567. Lucas, R. E. J. 1988. On the Mechanics of Economic Development. Journal of Monetary Economics(22): 3-42. Malmberg, A. 1996. Industrial Geography: Agglomeration and Local Milieu. Progress in Human Geography, 20(3): 392-403. Malmberg, A., Maskell, P. 2001. The Elusive Concept of Localization Economies, AAG Annual Conference. New York. Marcon, E., Puech, F. 2010. Measures of the Geographic Concentration of Industries: Improving Distance-based Methods. Journal of Economic Geography, 10(5): 745-762. Markusen, A. 1994. Studying Regions by Studying Firms. Professional Geographer, 46(4): 477-490. Markusen, A. 1996. Sticky Places in Slippery Space: A Typology of Industrial Districts. Economic Geography, 72(3): 293-313. Markusen, A. 2003. Fuzzy Concepts, Scanty Evidence, Policy Distance: The Case for Rigour and Policy Relevance in Critical Regional Studies. Regional Studies(37): 701-717. Marshall, A. 1890. Principles of Economics. London: Macmillian. Martin, R. 1999. Critical survey. The new 'geographical turn' in economics: some critical reflections. Cambridge Journal of Economics, 23(1): 65-91. Martin, R., & Sunley, P. 2003. Deconstructing Clusters: Chaotic Concept of Policy Panacea? Journal of Economic Geography(3): 5-35. Maskell, P. 2001. Towards a Knowledge-based Theory of the Geographical Cluster. Industrial and Corporate Change, 10(4): 921-943. Maskell, P., Lorenzen, M. 2004. Cluster as Market Organization. Urban Studies, 41(5&6): 991-1009. Maurel, F., Sédillot, B. 1999. A Measure of the Geographic Concentration in French Manufacturing Industries. Regional Science and Urban Economics, 29: 575-674. May, W., Mason, C., & Pinch, S. 2001. Explaining Industrial Agglomeration: The case of the British high-fidelity industry. Geoforum(32(3)): 363-376. Miller, P., Botham, R., Gibson, H., Martin, R., & Moore, B. 2001. Business Clusters in the UK: A First Assessment. In DTI (Ed.): Department of Trade and Industry. Moineddin, R., Beyene, J., & Boyle, E. 2003. On the Location Quotient Confidence Interval. 108


Geographical Analysis, 35(3): 249-256. O'Donoghue, D., Gleave B. 2004. A Note for Measuring Industrial Agglomeration. Regional Studies, 38(4): 419-414s427. Oakey, R., Kipling, M., & Wildgust, S. 2001. Clustering among firms in the non-broadcast visual communications. Regional Studies, 35(5): 401-414. OECD. 2005. Business Clusters - Promoting Enterprise in Central and Eastern Europe, Local Economic and Employment Develoment: Organization for Economic Co-operation and Development. Ohlin, B. 1933. Interregional and International Trade. Cambridge: Harvard University Press. Peck, J. 2000. Doing Regulation. In G. L. Clark, Feldman, M. P., & Gertler, M. S. (Ed.), The Oxford Handbook of Economic Geography: 61-80. Oxford: Oxford University Press. Perroux, F. 1970. Note on the Concept of Growth Poles. In D. McKee, Dean, R., & Leathy, W. (Ed.), Regional Economics: Theory and Practice: 93-103. New York: The Free Press. Podolny, J. M., Page, K. L. 1998. Network Forms of Organization. Annual Review of Sociology(24): 57-76. Popadiuk, S., Choo, C. W. 2006. Innovation and knowledge creation: How are these concepts related? International Journal of Information Management(26): 302-312. Porter, M. E. 1990. The Competitive Advantage of Nations. Harvard Business Review(MarchApril): 71-91. Porter, M. E. 1994. Construir as Vantagens Competitivas de Portugal (2nd ed.). Lisboa: Cedintec. Porter, M. E. 1998a. Clusters and the new Economics of Competition. Harvard Business Review(November-December): 77-90. Porter, M. E. 1998b. On Competition. Boston, MA: Harvard Business Press. Porter, M. E. 2000a. Location, Clusters and Company Strategy. In G. L. Clark, Feldman, M. P., & Gertler, M. S. (Ed.), The Oxford Handbook of Economic Geography: 253-274. Oxford: Oxford University Press. Porter, M. E. 2000b. Location, Competition and Economic Development: Local Clusters in a Global Economy. Economic Development Quarterly, 14(1): 15. Porter, M. E. 2003. The Economic Performance of Regions. Regional Studies, 37(6&7): 549-478. Powell, W. W. 1990. Neither Market nor Hierarchy: Network Forms of Organization. Research on Organizational Behavior, 12: 295-336. Powell, W. W., Grodal, S. 2006. Networks of Innovators. In J. Fagenberg, Mowery, D. C., & Nelson, R. R. (Ed.), The Oxford Handbook of Innovation: 56-85. Oxford: Oxford University Press. Reid, N., Smith, B. W., & Carrol, M. C. 2008. Cluster Regions: A Social Network Perspective. Economic Development Quarterly, 22(4): 345-352. Roelandt, T., den Hertog, P. 1999. Cluster Analysis and Cluster-Based Policy Making in OECD Countries: An Introduction to the Theme. In OECD (Ed.), Boosting Innovation: The Cluster Approach. Paris: OECD. Romer, P. M. 1990. Endogenous Technological Change. Journal of Political Economy, 98(5, Part 2): 71-102. 109


Rosenfeld, S. A. 1997. Bringing Business Clusters into the Mainstream of Economic Development. European Planning Studies, 5(1): 3-23. Rosenthal, S. S., Strange, W. C. 2001. The Determinants of Agglomeration. Journal of Urban Economics, 50: 191-229. Saxenian, A., Hsu, J. 2001. The Silicon Valley-Hsinchu connection: technical communities and industrial uprgrading. Industrial and Corporate Change, 10(4): 893-919. Schoenberger, E. 2000. The Management of Time and Space. In G. L. Clark, Feldman, M. P., & Gertler, M. S. (Ed.), The Oxford Handbook of Economic Geography: 317-332. Oxford: Oxford University Press. Scitovsky, T. 1954. Two concepts of external economies. Economic Journal(LXII): 54-67. Scott, A. J. 2000. Economic Geography: The Great Half-Century. In G. L. Clark, Feldman, M. P., & Gertler, M. S. (Ed.), The Oxford Handbook of Economic Geography: 18-44. Oxford: Oxford University Press. Sforzi, F. 2009. Section 6: Empirical Evidence. In G. Becattini, Bellandi, M., & De Propis, L. (Ed.), A Handbook of Industrial Districts: 323-341. Cheltenham, UK: Edward Elgar Publishing. Sölvell, Ö., Lindqvist, G., & Ketels, C. 2003. The Cluster Initiative Greenbook. Stockholm: Ivory Tower AB. Steinle, C., Shiele, H. 2002. When do Industries Cluster? A Proposal on How to Access an Industry’s Propensity to Concentrate in a Single Region or Nation. Research Policy, 31(6): 849-858. Sternberg, R. 2000. Innovation Networks and Regional Development - Evidence from the European Regional Innovation Survey (ERIS): Theoretical Concepts, Methodological Approach, Empirical Basis and Introduction to the Theme Issue. European Planning Studies, 8(4): 389-407. Swan, G. M. P., Prevezer, M. 1996. A Comparison of the Dynamics of Industrial Clustering in Computing and Biotechnology. Research Policy, 25(7): 1139-1157. Tallman, S., Jenkins, M., Henry, N., & Pinch, S. 2004. Knowledge, Clusters and Competitive Advantage. Academy of Management Review, 29(2): 258-271. Van den Berg, L., Braun, L., & van Winden, W. 2001. Growth Clusters in European Cities: An Integral Approach. Urban Studies, 38(1): 186-206. Wolter, K. 2003. A Life Cycle for Clusters? The Dynamics Governing Regional Agglomerations, Clusters, Industrial Districts and Firms: the Challenge of Globalization. Modena, Itália.

Lista de páginas virtuais visualizadas: Cluster Mapping Project - http://www.isc.hbs.edu/cmp/ Europa INOVA - http://www.europe-innova.eu/ European Cluster Observatory - http://www.clusterobservatory.eu OCDE - http://www.oecd.org Os Pólos de Competitividade - http://competitive.gouv.fr

110


LISTA DE ANEXOS Anexo 1 – Desagregação quantitativa do conceito de clusters

111


Anexo 2 - Lista de apoios atribu铆dos aos p贸los de competitividade

Fonte: Figueiredo et al., 2005

112


Anexo 3 - Os p贸los de competitividade existentes no territ贸rio franc锚s

Fonte: Figueiredo et al., 2005

113


Anexo 4.1 – Aplicação do quociente de localização

Fonte: Carrol, 2008

114


Anexo 4.2 – Aplicação do índice de Gi*

Fonte: Carrol, 2008

115


Anexo 4.3 – Aplicação do indicador conjunto de Carrol

Fonte: Carrol, 2008

116


Anexo 5 – Mapeamento com dados micro-geográficos – Reino Unido

Fonte: Duranton e Overman, 2005

117


Anexo 6 – Aplicação prática da técnica visual de Markusen

Fonte: Markusen, 1994

118


Anexo 7 – Agregação de sectores em clusters

119


Fonte: Kelton et al., 2008

120


Anexo 8 – Localização geográfica do cluster de alta-fidelidade no Reino Unido

Fonte: May (2001)

121


Anexo 9 – Resultados da tipologia de relações verificadas por via de inquérito

Fonte: May (2001)

122


Anexo 10 â&#x20AC;&#x201C; Mapeamento de clusters conforme metodologia do DTI

Fonte: Miller et al. (2001)

123


Anexo 11 – Conceitos de proximidade e fronteiras utilizados no capítulo 7

Concentração fronteiriça

Concentração central Região 1

Região 1

Dispersão de empresas Região 1

124


Anexo 12 – Ferramenta disponibilizada pelo European Cluster Observatory

Fonte: Europa INNOVA – European Cluster Observatory

125


Anexo 13 - Metodologia de mapeamento de clusters utilizada pelo DTI

Fonte: Miller et al. (2001)

126


Anexo 14 – Exemplo prático de aplicação do LQ Supondo 3 regiões, A, B e C, que em conjunto fazem o país. Presumindo o sector de actividade 1, temos que: O país tem 1500 indivíduos empregados; As regiões A, B e C têm respectivamente 250, 500 e 750 desses indivíduos. O sector 1 tem 150 trabalhadores, divididos pelas regiões nas seguintes quantidades: Região A – 27 trabalhadores; Região B – 49 trabalhadores; Região C – 74 trabalhadores. Aplicando o quociente de localização, obtemos os seguintes valores: LQA,1= (27/150)/(250/1500) = 1,08 LQB,1= (49/150)/(500/1500) = 0,98 LQC,I= (74/150)/(750/1500) = 0,987 Caso se considere o valor mínimo de 1 para o LQ, então podemos afirmar que o sector 1 está concentrado na região A. Isto apesar de ser visível que os valores de emprego se aproximam muito da percentagem de emprego total da região, sofrendo apenas um ligeiro desvio, que se poderá considerar normal. Considerando uma qualquer economia, qualquer sector de actividade estará, segundo este critério, concentrado numa dada localização.

127


Anexo 15 – Exemplo prático – agregação de sectores em clusters Tendo como base o exemplo presente no anexo 14, considere-se um país com 1500 indivíduos empregados, composto por 3 regiões: 1, 2 e 3. A divisão do emprego é respectivamente de 250, 500 e 750. As percentagens do emprego total em cada região são 16,67%, 33,33% e 50%. Imagine-se agora n sectores económicos, dos quais se distinguem os sectores A, B e C tendo-se previamente determinado que estes sectores se encontram relacionados, verificando-se a presença de ligações entre estes. Os sectores empregam respectivamente 150, 200 e 300 trabalhadores. Os sectores económicos não relacionados com os sectores A, B e C empregam os restantes indivíduos. A divisão do emprego por sector por região é dada pela tabela abaixo: Região 1

Região 2

Região 3

Total

Sector A

30

50

70

150

Sector B

60

65

75

200

Sector C

50

100

150

300

Total A+B+C

140

215

295

650

Calculando os quocientes de localização para cada um dos sectores, e para o total dos sectores (A+B+C)103, obtemos os seguintes valores (arredondado às décimas): Região 1

Região 2

Região 3

Sector A

1,2

1

0,93

Sector B

1,8

0,98

0,75

Sector C

1

1

1

103

O LQ para o total dos sectores foi efetuado considerando a hipótese de os sectores constituírem um só,

somando o emprego para a região e dividindo sobre o total do emprego dos três sectores.

128


Total A+B+C

1,29

1

0,91

Verifica-se que o LQ por sector mostra uma concentração do sector B acima da média, com um valor de 1,8 para a região 1. Porém, sabendo-se que os sectores estão relacionados, verificamos que o “cluster” estará concentrado também na região 1, com um LQ de 1,29. Retiramos deste exemplo duas conclusões principais: 1º - Uma observação por sector esconderia a presença dos restantes sectores dos clusters, potenciando políticas de apoio ao cluster mal direccionadas; A visualização de “clusters” como unisectoriais poderá levar a uma alocação de recursos económicos errada ou subaproveitada (Porter, 2003). 2º - O LQ para a concentração dos 3 sectores será mais baixo do que a sectorial para o sector B. Tal significa que um LQ para um “cluster” será menor, caso a proporção de sectores (em volume de emprego) que o compõem tenha por sua vez um LQ baixo. Nesse caso, colocar uma fasquia para o LQ elevada pode também esconder determinados clusters. Deverão portanto ser escolhidos parâmetros razoáveis, talvez após uma análise empírica mais aprofundada.

129


Anexo 16 – Teoria do crescimento endógeno Esta teoria (Romer, 1990) assume que o conhecimento técnico não é um bem público. A taxa de produção de novo conhecimento é determinada pelo stock de ideias (que por sua vez é global e acessível a todos os investigadores), e o número de pessoas dedicadas à produção de ideias (através de I&D). Pela via do investimento em I&D, o conhecimento é utilizado para aumentar o output. Ao mesmo tempo, o conhecimento criado aumenta a produtividade de outros investigadores na sua produção de conhecimento, que por sua vez aumenta o output das empresas, que os empregam. Tal significa que o conhecimento técnico cresce não só através do número de investigadores, mas também dos spillovers de ideias. Estes spillovers são potenciados através das características exógenas dos bens públicos, como a proximidade e envolvência social, cultural e linguística, pois estas modificam a capacidade de assimilar conhecimento tácito (Acs, 2002).

ΔA = δLλA Aϕ Como se observa na equação acima, temos que: ΔA é a taxa de mudança de conhecimento, que é influenciada por:

LA, o número de investigadores, δ a taxa a que estes produzem novas ideias e por A, o stock de ideias pré-existentes; λ (0< λ ≤1) é o parâmetro que permite a redução em esforço de investigação por efeito de duplicação; e φ (0≤ φ<1) é o parâmetro que reflecte a taxa de spillovers de ideias do stock. Quanto maior for φ, maior o spillover de ideias, aumentando por sua vez ΔA . Se a taxa de spillovers for associada à proximidade geográfica, e talvez mais importante, à proximidade sociocultural, podemos assumir que a taxa de mudança de conhecimento será superior em alguns locais que outros. Assim, se a produção de conhecimento varia no espaço (R), e se as aglomerações empresariais tiverem um maior stock de ideias (AR)104, e mais investigadores (LAR), tal irá influenciar positivamente ∆A (Lucas, 1988).

104

Podemos assumir a possibilidade de um maior número de empresas levará a um maior stock de ideias, em

comparação com localizações em que a actividade económica se encontra dispersa.

130


Metodologias de Mapeamento de Clusters