
A kutatási együttműködések szerepe az innovációban
Az Európai Unió a Keretprogramjain (Framewrok Programs) keresztül évtizedek óta támogatást nyújt a gazdasági szereplők számára közös kutatási projektek finanszírozására. A projektek legfőbb célja, hogy a vállalatok, felsőoktatási intézmények, kutatóintézetek és kormányzati intézetek kapcsolatba lépjenek egymással és közösen, tudásukat megosztva tanuljanak egymástól és új tudást hozzanak létre. A tudásáramlás és az új tudás megteremtése ösztönzi az innovációt, amely végső soron pozitív hatást gyakorol a gazdasági növekedésre és a jólétre.
A felvázolt folyamat egyik központi eleme, hogy az innováció és a gazdasági növekedés azokban a régiókban lesz magasabb, ahol a gazdasági szereplők intenzíven bekapcsolódnak a kutatási együttműködésekbe. A régión kívüli kapcsolatok jelentősége abban rejlik, hogy ezeken a kapcsolatokon keresztül megszerezhetők a földrajzilag távolabb tevékenykedő gazdasági szereplők birtokában lévő információk és tudás is, míg a régión belüli kapcsolatok elsősorban a külső tudás lokális terjedésében töltenek be fontos szerepet.
A kialakított kutatási együttműködési kapcsolatrendszer további lényeges tényezője, hogy a különböző intézménytípusok milyen szerepet töltenek be a tudásáramlás folyamatában. A szakirodalomban fellelhető legújabb kutatások a felsőoktatási intézmények, valamint a vállalati szféra és a felsőoktatási intézmények között kialakult kapcsolatok kiemelkedő szerepére hívják fel a figyelmet.
Együttműködési kapcsolatok elemzése hálózatelemzési eszközökkel és a régiók csoportosítása
A továbbiakban azt vizsgáljuk meg, hogy az Európai Unió régióiban tevékenykedő vállalatok és kutatási intézmények (felsőoktatási intézmények és egyéb kutatóintézetek) hogyan kapcsolódnak össze egymással és milyen régiókon kívüli és belüli kapcsolatrendszerrel rendelkeznek. A régiót a hazai megyéknek megfelelő NUTS3 szinten vizsgáljuk. A kapcsolatok szerkezetét egy olyan kompozit mérőszámmal ragadjuk meg, amely az intézmények közötti kapcsolatok számát, a kapcsolatok sűrűségét (kialakított kapcsolatok aránya az összes lehetséges kapcsolathoz képest), valamint a régiónkénti átlagos kapcsolatok számát tükrözi. Ezeket az indikátorokat többféleképpen is kiszámoljuk, annak megfelelően, hogy régión kívüli vagy régión belüli kapcsolatokról van-e szó, továbbá a kapcsolat milyen típusú intézmények között jött létre. Ezt követően a hálózati indikátorokat kiegészítve a szabadalmak számával és az egy főre eső GDP-vel, klaszteranalízis segítségével csoportosítjuk a régiókat és megvizsgáljuk, hogy az egyes régiókban tevékenykedő intézmények milyen kapcsolati szerkezettel bírnak az egyes dimenziók mentén. Az elemzés során az Európai Unió 5., 6. és 7. Keretprogramjának 1999 és 2013 között megvalósult kutatási együttműködéseit vettük figyelembe.
A számítások azt mutatják, hogy az 1378 vizsgált európai régió 10 különböző csoportot alkot a figyelembe vett indikátorok alapján.
A klaszterelemzési módszer lényeges eleme, hogy az algoritmus az indikátorok szerint hasonló régiókat egy közös csoportba sorolja be és megadja az egyes indikátorok relatív átlagos értékét a csoportokban. Ha ez az érték negatív, akkor az azt mutatja, hogy az összes (1378) régió átlagához képest a csoporthoz tartozó régiók átlagosan kevésbé intenzív kapcsolatrendszert építettek ki az adott dimenzióban. Ezzel szemben, ha az érték pozitív, akkor a csoporthoz tartozó régiók átlagosan intenzívebb kapcsolatrendszerrel rendelkeznek az összes régióhoz képest. Ebből adódik, ha az érték 0, akkor a csoport átlaga megegyezik az összes régió átlagával.
Az európai régiók kutatási együttműködési hálózatainak vizsgálata
Az alábbi táblázat foglalja össze, hogy az egyes klaszterekhez tartozó régiók milyen dimenzió mentén rendelkeznek átlagon felüli vagy aluli kapcsolatrendszerrel és hány régió alkotja az adott klasztert. Az egyes dimenziókat aszerint csoportosítottuk, hogy régión belüli, vagy régión kívüli, illetve, hogy milyen típusú intézmények (vállalati szereplők: I, felsőoktatás, kutatás: K) közötti kapcsolatokról van szó.

Az egyes csoportok a következőképpen jellemezhetők a kapott eredmények alapján:
- A klaszter – Nem-kooperatív, kevésbé fejlett. A csoporthoz tartozó régiók nem rendelkeznek intenzív régión belüli és régión kívüli kapcsolatokkal, valamint átlagon aluli fejlettséggel bírnak.
- B klaszter – Nem-kooperatív, fejlett. Ezek a régiók enyhén sűrűbb kapcsolatokkal rendelkeznek az előbbi csoporthoz képest, azonban a fejlettséget tekintve átlagon felüliek.
- C klaszter – Nem-kooperatív, kevésbé fejlett, lokálisan erős ipari kapcsolatok. Az ebbe a csoportba tartozó két régió sem kooperatív, továbbá alacsony fejlettséggel bír, viszont a régión belüli ipari szereplők sokszor vettek részt közös együttműködési projektekben.
- D klaszter – Magasan koncentrált, erős ipari együttműködési kapcsolatok. Az ide tartozó régiók az ipari szereplők esetében bírnak intenzív kapcsolatokkal, különösen a régión kívüli együttműködéseket tekintve, azonban a régión belüli együttműködéseket tekintve mind a három esetben átlagon alul teljesítenek. A fejlettséget tekintve ezek a régiók összességében az átlagosnál fejlettebbek.
- E klaszter – Magasan koncentrált, erős akadémiai együttműködési kapcsolatok. Az előző klaszterrel ellentétben az ebbe a csoportba tartozó régiók a felsőoktatási intézmények és kutatóintézeteket tekintve rendelkeznek intenzív kapcsolati szerkezettel. Az ipari szereplők esetében is közel átlagos jellemzőkkel rendelkeznek ezek a régiók, valamint a GDP-t tekintve is átlagon felüliek.
- F klaszter – Lokálisan ipari, globálisan akadémiai együttműködési kapcsolatok. Ebben a klaszterben olyan régiók találhatók meg, ahol a régión belül az ipari szereplők alakítottak ki intenzívebb kapcsolatokat egymással, míg a kutatási intézmények (felsőoktatási intézmények és kutatóintézetek) a régión kívüli együttműködésekben vettek részt.
- G klaszter – Akadémiai együttműködési kapcsolatok, kevésbé fejlett. A G klaszterhez tartozó régiók legfőbb jellemzője, hogy régión belül nagyon intenzív kapcsolatokkal rendelkeznek a kutatási intézményekhez tartozó intézmények, azonban az ipari szereplőkkel és az ipari szereplők egymás között kialakított együttműködései alacsony mértékűek.
- H klaszter – Akadémiai együttműködési kapcsolatok, fejlett. Az előző klaszterhez képest ebben az esetben jóval fejlettebbek a régiók, továbbá lokálisan erősebben működnek együtt az ipari és kutatási intézmények szereplői, valamint az ipari szereplők is magasabb globális kapcsolati jellemzőkkel rendelkeznek.
- I klaszter – Kooperatív és fejlett. Az ide tartozó régiók fejlettsége átlagon felüli és minden tekintetben átlagon felüli együttműködési tulajdonságokkal rendelkeznek.
- J klaszter – Szuper kooperatív és fejlett. A J klaszterbe tartozó 60 régió kiemelkedően intenzív együttműködési jellemzőkkel rendelkezik, valamint a GDP tekintetében is átlagosan ezek a régiók a legfejlettebbek.
Az összes európai régiót figyelembe véve elmondható, hogy megközelítőleg a régiók fele (A, B, C klaszter) az átlagosnál gyengébb, míg a régiók 18 %-a (I és J klaszter) az átlagosnál jobb teljesítménnyel rendelkezik minden mutató esetében. Az elemzés arra is rámutat, hogy az átlagosnál fejlettebb régiók egy jelentős része (B klaszter) kevésbé intenzíven vett részt a kutatási együttműködésekben, tehát a fejlettebb országok is rendelkeznek olyan régiókkal, ahol a gazdasági szereplők kevésbé alakítottak ki kapcsolatokat. További fontos megállapítás, hogy a régiók közel harmadánál (D, E, F és G klaszter) tapasztalható koncentrált együttműködési mintázat az intézménytípusokat illetően. Hasonló koncentráció figyelhető meg a kapcsolatok irányultsága szerint is, miszerint bizonyos régiók esetében a régión belüli, míg másoknál a régión kívüli kapcsolatok dominálnak. Ezek az eredmények összességében rámutatnak arra, hogy az egyes területeken milyen típusú együttműködések támogatására van nagyobb szükség, hol mutatkoznak olyan hiátusok a kapcsolatrendszerek szerkezetében, amelyekre a gazdaságpolitikának fókuszálni érdemes.

A magyar megyék kutatási együttműködéseinek szerkezete
A magyar megyék közül a főváros, Budapest rendelkezik kiugróan intenzív kapcsolatrendszerrel valamennyi mutató esetében (J klaszter). Budapest gazdasági súlyát, a vállalatok fővárosi koncentrációját, illetve a kiemelkedő felsőoktatási intézmények és kutatóintézetek számát tekintve nem meglepő eredmény, hogy a fővárosi gazdasági szereplők alakították ki a legtöbb kutatási együttműködést. A többi magyar megyét vizsgálva továbbá az tapasztalható, hogy a nagyobb felsőoktatási intézményekkel, illetve kutatóintézetekkel rendelkező megyék, mint például Baranya megye, Csanád-Csongrád megye vagy Hajdú-Bihar megye az E klaszterhez tartoznak. Ezek a megyék elsősorban az említett intézményeken keresztül alakítottak ki együttműködéseket, amelyek többnyire a régión kívülre irányulnak.
Azonban a gyenge lokális kapcsolatrendszer miatt, a régión kívülről megszerzett tudást alacsony mértékben voltak képesek továbbítani a vállalatok irányába, így véső soron a megszerzett tudás is csak mérsékelt pozitív hatást gyakorolhatott a gazdaságra.
Érdekes további eredmény, hogy Fejér megye a G klaszterhez tartozik, melynek oka, hogy a megyében található kutatóintézetek régión belül nagyon intenzíven működtek együtt egymással. Végül, hasonlóan a fejlettebb országokhoz, Magyarországon is található számos olyan megye, amelyek nagyon kevés kutatási együttműködésben vettek részt, korlátozva ezzel a tudáshoz való hozzáférést. Bács-Kiskun és Komárom-Esztergom megye esetében azonban az látható, hogy a vállalatok között viszonylag erősebb a lokális együttműködés, ami miatt ezek a megyék a B klaszterbe kerültek.

Azt gondoljuk, hogy a kutatóintézetek szétszórt elhelyezése örvendetes és ezáltal a vidéki telephellyel rendelkező gazdasági szereplők számára is lehetőség nyílik a tudáshoz való hozzáféréshez, azonban a régiók közötti (legtöbbször nemzetközi) tudáshálózatokba való bekapcsolódás előnyeinek hatékonyabb kihasználása érdekében szükséges a helyi szereplőkkel (elsősorban vállalatokkal) való kapcsolatok erősítése. Sőt, ezen kutatóintézetek más megyékhez tartozó vállalatokkal/kutatóhelyekkel való együttműködésében is vannak még lehetőségek.
A cikkben bemutatott kutatásról bővebb információk az alábbi tanulmányban találhatók: Sebestyén, T. – Braun, E. – Iloskics, Z. – Varga, A. (2021): Spatial and institutional dimensions of research collaboration: a multidimensional profiling of European regions. Regional Statistics, Vol. 11. No. 1., pp. 3-31.
Sebestyén Tamás a PTE Közgazdaságtudományi Kar munkatársa, Braun Erik és Iloskics Zita az ELKH KRTK Regionális Kutatások Intézetének kutatói
Címlapkép: Getty Images
Kész, ennyi volt: Magyarország szomszédja többé nem ad fegyvereket Ukrajnának
De másról szó esett.
Trump olyat húzott, hogy egyszerre haragított magára három atomhatalmat
Az egész régiót felbolygatja.
Ukrán drón csapódott egy atomerőműbe, friss felvételeken a támadás eredménye
Hűtőtornyot ért találat.
Trump is kénytelen volt beismerni: ez nehezebb feladat, mint gondolta volna
Máshol könnyebb a dolga.
Felfedték a siker titkát az oroszok: egyetlen titokzatos fegyver állhat a nyomulás mögött
Nagy kihívást jelent az ukránoknak.
Sorban áll a világ a nyugati vadászgépeket lelövő J-10C-ért: újabb hatalom csapott le rá
Szorosodik a kapcsolat.
Személyi kölcsön: Hol kaphatod meg a legjobb feltételekkel 2025 őszén?
A bérek egyre magasabbak, ami egyre biztonságosabb hitelfelvételt tesz lehetővé. Milyen a személyi kölcsönök piaca ma? Hol és hogyan kaphatsz a legkedvezőbb feltételekkel szabadon felhasználha
Tudomány turbófokozatban: 26 milliárd a kutatás jövőjére
Megjelent a GINOP Plusz-2.2.1-25, ami esélyt ad arra, hogy a hazai kutatás ne a mezőnyt kergesse, hanem az élmezőnybe ugorjon.

Cser Tamás a Bloombergnek: A forint extra hátszelet kapott
A cikkből megtudhatod: Magyar Péter, az ellenzék vezetője a következő választások után újra kívánja építeni a befektetőkkel és az Európai Unióval való kapcsolatot, és ezzel... The post

A csúcs az új mélypont
Örülhet a fejének az egyszeri tőzsdei kereskedő: hiába Trump, a kereskedelmi bizonytalanságok és a háborúk, ömlik a pénz a részvénypiacokra. Az elmúlt egy évben világszerte... The post A c

Burgonyaválság a láthatáron: így hat a globális felmelegedés az élelmiszer-ellátásra
A klímaváltozás már nem a jövő problémája a mezőgazdaság területén sem. Kína kutatólaboratóriumaiban már most kísérletekkel mutatják ki, hogy milyen következmén
Vidéken még maradt valaki?
E heti vendégünk Móricz Dani és Cser Tamás. Milyen platformokon találjátok még meg? A HOLD After Hours podcastek megtalálhatók a Spotify, YouTube, Apple Podcast, Google Podcas

Jelentős EPR díjemelés októbertől!
2025 októberétől számottevően emelkednek a kiterjesztett gyártói felelősségi (EPR) díjak, amelyet a MOHU Mol Hulladékgazdálkodási Zrt. állít ki a kötelezett vállalatok számára. Az emelé

Minden jónak vége lesz egyszer?
A világ egyik kellemetlensége, hogy folyamatosan változik. Ugyan sokan örülhetnek is ennek, hiszen kevesen tudják ugyanazt a játékot játszani 40-70-100 éven keresztül, azonban megvan ennek a kom


Váratlanul megszólalt a kamatról Nagy Márton, gyengült is a forint
A Budapest Economic Forum 2025 konferenciáról jelentkezik a keddi Portfolio Checklist.
Eljött a pragmatikus fejlesztések kora a logisztikai ingatlanpiacon
A sikerképlet egyre bonyolultabb.
Hónapokig tartó bizonytalanságot hozhat az elsöprő választási győzelem Csehországban
Csehország választott.
Tőzsdézz a világ legnagyobb piacain: Kezdő útmutató
Bemutatjuk, merre érdemes elindulni, ha vonzanak a nemzetközi piacok, de még nem tudod, hogyan vágj bele a tőzsdézésbe.
Tőzsdei adrenalin vs. nyugodt hozam – te melyiket választod?
Tőzsdéznél, de nem tudod, merre indulj? Ismerd meg egy aktív trader és egy alapkezelő gondolkodását a Portfolio Investment Services online előadásán Vidovszky Áronnal!