Rozmístění služeb v Česku podle typu znalostní základny Mgr. Ondřej Slach, Ph.D. RNDr. Jan Ženka, Ph.D. Bc. Vendula Reichová Katedra sociální geografie a regionálního rozvoje Přírodovědecká fakulta Ostravská univerzita v Ostravě Teoretická východiska • Zvyšující se význam (znalostně náročných) služeb pro regionální konkurenceschopnost a tvorbu/šíření inovací v regionech. • Jednotlivá odvětví služeb se od sebe liší lokalizačními faktory a vzorci rozmístění. • Zásadní vliv znalostních základen na rozmístění služeb. • Typy znalostních základen: ▫ analytická ▫ syntetická ▫ symbolická 2 Tab. 1 – Základní charakteristiky jednotlivých znalostních základen Analytická Syntetická Symbolická Tvorba nových znalostní o přírodních jevech prostřednictvím aplikace přírodních zákonitostí Aplikace a rekombinace existujícího vědění Tvorba významů, symbolů a estetické kvality Vědecké poznání, formální modely, dedukce Problémově orientované vědění, indukce Kreativní proces Spolupráce v rámci výzkumných týmů Interaktivní procesy učení mezi dodavateli a odběrateli Učení se praxí, učení se v projektových týmech Silně kodifikované znalosti, vysoká míra abstrakce, univerzální vědění Dominance nekodifikovaných znalostí, silně kontextuálně specifické vědění Silně sémiotický znalostní obsah, vysoce kontextuálně specifické znalosti Malý význam prostorové blízkosti, klíčová dostupnost kvalifikované pracovní síly a univerzit (zpravidla v metropolitních regionech) Velký význam prostorové blízkosti trhu, dodavatelů a firem ve příbuzných odvětvích, různé vzorce rozmístění Výrazná územní koncentrace (centra velkých měst) 3 • Nakolik se typ znalostní základy promítá do rozmístění jednotlivých odvětví služeb na úrovni SO ORP? • Jak se podílejí metropolitní regiony (jádra a zázemí) a nemetropolitní regiony na celkové zaměstnanosti v sektoru služeb na území Česka? • Jak se tyto typy regionů liší z hlediska zastoupení jednotlivých odvětví služeb podle znalostní základny? Otázky 4 Předpoklady • symbolická znalostní základna– vysoká míra územní koncentrace a kolokalizace (v centrech velkých měst) • syntetická znalostní základna– nutnost prostorové blízkosti průmyslových firem, ne nutně v metropolitních regionech, možnost kolokalizace v průmyslových okrscích • analytická znalostní základna– nutná blízkost vzdělané a vysoce kvalifikované pracovní síly, lokalizace v metropolitních regionech a městských jádrech 5 • Herfindahlův-Hirschmannův index – pro měření územní koncentrace zaměstnanosti ve službách • Rozmístění vybraných služeb podle znalostní základny ▫ softwarové služby -> syntetická ZZ ▫ výzkum a vývoj -> analytická ZZ ▫ reklama a průzkum trhu -> symbolická ZZ • 5 typů regionů ▫ metropolitní region Prahy (jádro a zázemí) ▫ metropolitní regiony ostatních krajských měst (jádra a zázemí) ▫ nemetropolitní regiony Metody 6 Tab. 2 –Odvětví služeb podle znalostní základny Zdroj: Asheim, Coenen 2005; Strambach 2008;Pina, Tether 2015 Služby se syntetickou znalostní základnou Služby s analytickou znalostní základnou Služby se symbolickou znalostní základnou Doprava a skladování (49;50;51;52) Výzkum a vývoj (72) Vydavatelské činnosti (58) Poštovní a kurýrní činnosti (53) Filmy (59) Ubytování (55), Stravování (56) Rozhlasové a TV vysílání (60) Informační činnosti (62;63) Reklama a průzkum trhu (73) Finanční činnosti (64;66) Realitní činnosti (68) Právní a účetní činnosti (69) Vedení podniků (70) Architekt., technické činnosti (71) Ostatní poradenské činnosti (74) Ostatní služby (75;77;78;79;80;81;82) Pozn.: V závorce uvedeny kódy odvětví dle klasifikace NACE rev. 2.0 7 Obr. 1 – Územní koncentrace služeb na úrovni SO ORP (2013) Pozn.: modrá – syntetická, žlutá – symbolická, červená – analytická Zdroj: ČSÚ 2013, vlastní zpracování 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 51 60 59 63 58 73 50 70 79 61 62 64 68 74 55 66 82 69 78 77 80 53 72 71 52 56 81 75 49 HHI Odvětví NACE 8 Zdroj: OECD 2008; Kraft a kol. 2014, vlastní zpracování Zdroj: OECD 2008; Kraft a kol. 2014; vlastní zpracování Mapa 1 – Vymezení (ne)metropolitních oblastí podle OECD (2008) 9 Tab. 3. – Rozmístění služeb v (ne)metropolitních regionech (2013) Zdroj: Český statistický úřad, 2013, vlastní zpracování % Metropolitní regiony Nemetropolitn í regiony Česko Praha- jádro Prahazázemí Ostatní-jádra Ostatní- zázemí Počet obyvatel 11,8 6,1 18,4 8,2 55,6 10512419 Zaměst. ve službách se synt. znalost. základnou 36,7 4,0 30,6 3,1 25,6 723904 Zaměst. ve službách se symbol. znal. základnou 61,0 3,9 20,6 1,4 13,0 30718 Zaměstnanost ve výzkumu a vývoji (NACE 72) 30,5 13,2 30,5 3,2 22,6 6788 Zaměst. v informačních technolog. (NACE 62, 63) 53,0 1,0 1,7 2,0 42,3 60425 Zaměstnanost v odvětví reklamy (NACE 73) 58,4 1,6 4,9 3,1 32,0 15805 Zaměstnanost ve vybraných službách celkem 37,7 4,1 30,2 3,0 25,1 761410 Pozn.: Sloupec za Česko v absolutních hodnotách (osobách); jinak %podíly na hodnotě Česka. Zdroj: ČSÚ 2013; vlastní zpracování 10 Mapa 2 – Rozmístění služeb se syntetickou znalostní základnou (2013) Zdroj: Český statistický úřad, 2013, vlastní zpracování 11 Mapa 3 –Rozmístění služeb se symbolickou znalostní základnou (2013) Zdroj: Český statistický úřad, 2013, vlastní zpracování 12 • silná územní koncentrace služeb se symbolickou znalostní základnou (60, 59) • různorodá územní koncentrace služeb se syntetickou znalostní základnou (62, 63) • nižší územní koncentrace u analytické znalostní základny (72) – potvrzen předpoklad • nejvyšší míra koncentrace (51) -> Praha (funkce gateway pro Česko a střední Evropu) • Symbolická znalostní základna – dominance Prahy, podíl ostatních metropolitních regionů třetinový, podíl nemetropolitních regionů slabý. • V případě analytické a symbolické znalostní základny nejsou značné rozdíly mezi podílem Prahy a ostatních metropolitních regionů. • Nejvýraznější disperze zjištěna u analytické znalostní základny (potvrzení předpokladu). • Pozice Prahy je dominantnější v odvětví reklamy než softwarových služeb, v nemetropolitních regionech naopak. • Podíl zázemí ostatních metropolitních regionů je v případě vybraných odvětví syntetické a symbolické znalostní základny vyšší než podíl zázemí metropolitního regionu Prahy. Závěr 13 • ASHEIM, B., COENEN, L., (2005). Knowledge bases and regional innovation systems: Comparing Nordic clusters. ResearchPolicy, vol. 34, no. 8, pp. 1173-1190. ISSN 0048-7333. • ASHEIM, B., COENEN, L., VANG, J. (2007).Face-to-face, buzz, and knowledge bases: sociospatial implications for learning, innovation, and innovation policy. Environment and Planning C, vol. 25, no. 5, pp. 655- 670. • ČESKÝ STATISTICKÝ ÚŘAD (2013). Roční výkaz ekonomických subjektů vybraných produkčních odvětví. Praha. [Interní materiály ČSÚ]. • KRAFT, S., HALÁS, M., VANČURA, M., (2014). The delimitation of urban hinterlands based on transport flows: a case study of regional capitals in the Czech Republic. Moravian Geographical Reports, vol. 22, no. 1, pp. 24-32. ISSN 2199-6202. • OECD, (2008). Redefining Urban: a new way to measure metropolitan regions. [online]. [cit. 2016-02-17]. Dostupné z: http://www.oecd.org/regional/redefiningurbananewwaytomeasuremetrop olitanareas.htm • STRAMBACH, S., (2008). Knowledge-Intensive Business Services (KIBS) as drivers of multi level knowledge dynamics. Int. J. Services, Technology and Management, vol. 10, no. 2/3/4, pp. 152-174. ISSN 1460-672. DOI:10.1504/IJSTM.2008.022117. Literatura a zdroje 14 Děkuji za pozornost. Vendula Reichová Katedra sociální geografie a regionálního rozvoje Přírodovědecká fakulta Ostravská univerzita v Ostravě v.reichova@seznam.cz