📈 economics

All proximities matter: A Bayesian combination approach to inter-firm spillovers and economic performance

यह अध्ययन कई भौगोलिक और अर्थ संबंधी निकटता नेटवर्क को संयोजित करने के लिए एक बेयसियन पद्धति का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि इन बहुआयामी अंतर-फर्म संबंधों को एकीकृत करना मिलान के तकनीकी पारिस्थितिकी तंत्र के भीतर ज्ञान प्रसार (नॉलेज स्पिलओवर) और फर्म के प्रदर्शन पर उनके प्रभाव की समझ को महत्वपूर्ण रूप से बढ़ाता है।

मूल लेखक: Andrea D'Isidoro, Roberto Benedetti, Alessandro Marra

प्रकाशित 2026-07-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Andrea D'Isidoro, Roberto Benedetti, Alessandro Marra

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मिलान की व्यावसायिक दुनिया की कल्पना 505 टेक कंपनियों के एक विशाल, गूंजते हुए मधुमक्खी के छत्ते के रूप में करें। लंबे समय तक, अर्थशास्त्रियों का मानना था कि किसी कंपनी की सफलता का रहस्य केवल इस बात में है कि उसका कार्यालय अपने पड़ोसियों के कितने करीब है। उनका मानना था कि यदि आप किसी के ठीक बगल में बैठते हैं, तो आप उनके अच्छे विचारों को जुकाम की तरह पकड़ लेंगे।

लेकिन यह शोध पत्र सुझाव देता है कि यह केवल आधी कहानी है। यह केवल इस बारे में नहीं है कि आपका पड़ोसी कौन है; यह इस बारे में भी है कि आप किसके जैसा सोचते हैं, किसके साथ एक ही तकनीकी भाषा बोलते हैं, और किसके साथ एक ही उद्योग में काम करते हैं। लेखकों, एंड्रिया, रॉबर्टो और अलेस्सांद्रो ने यह तय किया कि वे इन कंपनियों के बीच वास्तव में कैसे संबंध बनते हैं, इसे देखने के लिए एक अत्यंत जटिल डिजिटल सूक्ष्मदर्शी (डिजिटल माइक्रोस्कोप) बनाकर इसका परीक्षण करेंगे।

"छह स्वादों" वाला सूप
केवल कार्यालयों के बीच की दूरी को मापने के बजाय, शोधकर्ताओं ने निकटता के छह अलग-अलग "स्वादों" को देखा:

भौगोलिक (Geographical): इमारतों के बीच कितनी दूरी है?
सामान्य (General): क्या उनकी वेबसाइटें समान व्यापक विषयों पर बात करती हैं?
तकनीकी (Technological): क्या वे एक ही तकनीकी उपकरणों का उपयोग करते हैं?
संज्ञानात्मक (Cognitive): क्या वे एक ही मानसिक मॉडल और ज्ञान साझा करते हैं?
क्षमता-आधारित (Competence-based): क्या उनके पास एक ही विशिष्ट कौशल है?
औद्योगिक (Industrial): क्या वे एक ही व्यावसायिक क्षेत्र में हैं?

इन्हें मापने के लिए, उन्होंने केवल कंपनियों से पूछा नहीं; उन्होंने कंपनियों की अपनी वेबसाइटों को पढ़ा। उन्होंने कंपनियों की साइटों पर मौजूद टेक्स्ट को "समानता स्कोर" (similarity score) में बदलने के लिए एक स्मार्ट कंप्यूटर प्रोग्राम का उपयोग किया। यदि दो कंपनियां "AI" और "ब्लॉकचेन" के बारे में समान तरीके से लिखती थीं, तो कंप्यूटर कहता, "हे, ये दोनों संज्ञानात्मक रूप से करीब हैं!"

जादुई मिक्सिंग बाउल
यहीं पर गणित दिलचस्प हो जाता है। लेखकों ने केवल एक "सर्वश्रेष्ठ" स्वाद नहीं चुना। उन्होंने सभी छह स्वादों को एक विशाल "प्रॉक्सिमिटी सूप" (निकटता के सूप) में मिलाने के लिए एक विशेष बेयसियन विधि (इसे एक सुपर-स्मार्ट मिक्सिंग बाउल की तरह समझें) का उपयोग किया। वे देखना चाहते थे कि "सफलता का स्वाद" भूगोल से कितना आता है बनाम तकनीक या साझा ज्ञान से कितना आता है।

उन्होंने इस प्रयोग को 'स्पेशियल डर्बिन मॉडल' (SDM) नामक एक मॉडल का उपयोग करके चलाया। SDM को एक मानक मानचित्र के अधिक परिष्कृत संस्करण के रूप में समझें। जबकि एक साधारण मानचित्र केवल यह कह सकता है कि, "आपके पड़ोसी की सफलता आपको प्रभावित करती है," यह उन्नत मॉडल कहता है, "आपके पड़ोसी की सफलता आपको प्रभावित करती है, और आपके पड़ोसी के कौशल भी आपको प्रभावित करते हैं, और आपके पड़ोसी के पड़ोसी के कौशल भी आपको प्रभावित करते हैं।" यह उस रिपल इफेक्ट (लहर के प्रभाव) को पकड़ता है जो पूरे शहर में फैलता है।

बड़ी घोषणा: यह केवल स्थान के बारे में नहीं है
जब उन्होंने सूप का स्वाद चखा, तो परिणाम आश्चर्यजनक थे।

भूगोल अभी भी वहां है, लेकिन यह एक साइड डिश है। कंपनियों के बीच भौतिक दूरी मायने रखती थी, लेकिन यह कुल प्रभाव का केवल लगभग 12.5% ही था।
असली सितारे मन के मामले थे। सफलता को चलाने वाले सबसे बड़े स्वाद तकनीकी निकटता (लगभग 32%) और संज्ञानात्मक निकटता (लगभग 29%) थे। इसका अर्थ यह है कि कंपनियां तब तेजी से बढ़ीं जब वे उन लोगों के करीब थीं जो समान तकनीक का उपयोग करते थे और समान तरीके से सोचते थे, भले ही वे एक ही इमारत में न हों।
औद्योगिक निकटता (एक ही क्षेत्र में होना) भी 25% के साथ एक मजबूत खिलाड़ी था।

अध्ययन ने स्पष्ट रूप से दो अन्य स्वादों को अनावश्यक होने के रूप में खारिज कर दिया। "सामान्य" समानता और "क्षमता-आधारित" समानता ने अन्य चार शामिल होने के बाद कुछ भी नया नहीं जोड़ा। यह एक ऐसे व्यंजन में नमक और काली मिर्च डालने जैसा है जिसमें पहले से ही पर्याप्त नमक और काली मिर्च है; यह बस रास्ते में आता है।

कंपनी के आकार के बारे में क्या?
शोधकर्ताओं ने यह भी देखा कि कंपनी के आकार ने इसमें क्या भूमिका निभाई। उन्होंने पाया कि:

बड़ा होना हमेशा विकास के लिए बेहतर नहीं होता। जिन कंपनियों ने बहुत बड़ी बिक्री के साथ शुरुआत की थी, वे वास्तव में धीमी गति से बढ़ीं (एक नकारात्मक प्रभाव)।
अपनी टीम को बढ़ाना एक सुपरपावर है। जिन कंपनियों ने अधिक कर्मचारियों को जोड़ा, उनकी बिक्री में भारी उछाल देखा गया। यह प्रभाव स्वयं कंपनी और उसके पड़ोसियों दोनों के लिए मजबूत था। यदि आपका पड़ोसी अधिक लोगों को काम पर रखता है, तो आप भी तेजी से बढ़ते हैं।

वे कितने आश्वस्त हैं?
लेखकों ने केवल अनुमान नहीं लगाया; वे सुनिश्चित होने के लिए हजारों कंप्यूटर सिमुलेशन चलाए। उन्होंने अपने फैंसी "छह-स्वाद" वाले मॉडल की तुलना सरल मॉडलों से की जो केवल एक या दो कारकों को देखते थे। परिणाम स्पष्ट थे: जटिल मॉडल जिसने चार सर्वश्रेष्ठ स्वादों (भूगोल, तकनीक, संज्ञानात्मक और औद्योगिक) को मिलाया था, वह विजेता था, जिसमें इस डेटा को देखने का सही तरीका होने की 75% संभावना थी।

उन्होंने अपने तरीके की तुलना डेटा को मिलाने के एक पुराने तरीके (जिसे SAR मॉडल कहा जाता है) से भी की। उनका नया तरीका (SDM) वास्तविक दुनिया के डेटा के साथ बहुत बेहतर फिट बैठता था, जिसका त्रुटि स्कोर कम था (पुराने तरीके के 68.80 के मुकाबले SDM का AIC 62.07 था)।

निष्कर्ष
तो, यदि आप एक सफल टेक हब बनाना चाहते हैं, तो केवल बहुत सारे कार्यालयों को एक-दूसरे के बगल में न बनाएं और उम्मीद न करें कि सब ठीक हो जाएगा। शोध पत्र सुझाव देता है कि असली जादू तब होता है जब आप एक ऐसा पारिस्थितिकी तंत्र (ecosystem) बनाते हैं जहाँ कंपनियाँ समान तकनीकों और सोचने के तरीकों को साझा करती हैं।

लेखक सुझाव देते हैं कि कंपनियों को एक ही इमारत में जाने के लिए पैसा देने के बजाय, सरकारों और व्यावसायिक नेताओं को "सिमेंटिक" (अर्थपूर्ण) संबंधों पर ध्यान केंद्रित करना चाहिए—कंपनियों को ऐसे भागीदारों को खोजने में मदद करना जो समान तकनीकी भाषा बोलते हैं और एक ही ज्ञान आधार साझा करते हैं। यह इस बारे में नहीं है कि आपका पड़ोसी कौन है; यह इस बारे में है कि आप वास्तव में किसके साथ गहरी बातचीत कर सकते हैं।

तकनीकी सारांश: अंतर-फर्म स्पिलओवर और आर्थिक प्रदर्शन के लिए एक बेयसियन संयोजन दृष्टिकोण

समस्या विवरण
फर्म का प्रदर्शन, विशेष रूप से ज्ञान-गहन क्षेत्रों में, न केवल आंतरिक क्षमताओं से बल्कि अन्य फर्मों की निकटता से भी संचालित होता है, जो ज्ञान के स्पिलओवर (ज्ञान प्रसार) को सुगम बनाता है। जबकि पारंपरिक साहित्य यह स्वीकार करता है कि निकटता भौगोलिक सीमाओं से परे तकनीकी, संज्ञानात्मक और औद्योगिक आयामों तक विस्तृत है, प्रायोगिक दृष्टिकोण अक्सर सिंथेटिक नेटवर्क सूचकांकों (जैसे, सेंट्रैलिटी उपाय) या एकल-मैट्रिक्स स्थानिक मॉडलों पर निर्भर रहते हैं। ये विधियाँ अक्सर विभिन्न प्रकार के अंतर-फर्म संबंधों की बहुआयामी प्रकृति और विभिन्न निकटता आयामों के बीच जटिल अंतर्निर्भरताओं की अनदेखी करती हैं। इसके अतिरिक्त, कई निकटता मैट्रिसेस को संयोजित करने के लिए मौजूदा मैक्सिमम-लाइक्लीहुड दृष्टिकोण अक्सर कुछ ही आयामों तक सीमित होते हैं, और मानक स्थानिक मॉडल विशिष्ट प्रकार की निकटता के संयुक्त योगदान या इस अनिश्चितता को पकड़ने में विफल हो सकते हैं कि कौन से विशिष्ट आयाम स्पिलओवर को संचालित करते हैं।

कार्यप्रणाली
लेखक एक एकीकृत ढांचे का प्रस्ताव करते हैं जो एक बेयसियन कॉनवेक्स कॉम्बिनेशन (convex combination) दृष्टिकोण का उपयोग करके एक स्पैटियल डर्बिन मॉडल (SDM) में कई निकटता नेटवर्क को एकीकृत करता है।

सिमेंटिक प्रॉक्सिमिटी (अर्थगत निकटता) निर्माण:
- स्थिर उद्योग कोड या पेटेंट वर्गों पर निर्भर रहने के बजाय, अध्ययन कॉर्पोरेट वेबसाइटों की पाठ्य सामग्री (textual content) से प्राप्त छह प्रॉक्सिमिटी मैट्रिसेस का निर्माण करता है।
- लेटेंट डिरिचलेट एलोकेशन (LDA) और नेचुरल लैंग्वेज प्रोसेसिंग (NLP) का उपयोग करके, फर्मों को सामान्य विषयों (topics) पर मैप किया जाता है ताकि उनकी प्रौद्योगिकियों, ज्ञान आधारों, दक्षताओं और विशेषज्ञताओं का प्रतिनिधित्व करने वाले वेक्टर्स निकाले जा सकें।
- युग्मवार कोसाइन समानता (pairwise cosine similarities) को एक इनवर्टेड-U फंक्शन (बोशमा, 2005; नूटोबूम एट अल., 2007 के अनुसार) में परिवर्तित किया जाता है ताकि प्रॉक्सिमिटी मैट्रिसेस का निर्माण किया जा सके। यह रूपांतरण यह मानता है कि मध्यम समानता स्पिलओवर को अधिकतम करती है, जबकि अत्यधिक समानता या विषमता स्पिलओवर में बाधा डालती है।
- इन छह मैट्रिसेस में शामिल हैं: भौगोलिक (Geographical), सामान्य (General), तकनीकी (Technological), संज्ञानात्मक (Cognitive), क्षमता-आधारित (Competence-based), और औद्योगिक (Industrial)।
SDM में बेयसियन कॉनवेक्स कॉम्बिनेशन:
- अध्ययन कॉनवेक्स कॉम्बिनेशन फ्रेमवर्क (डेबारसी और लेसेज, 2022) को स्पैटियल ऑटोरेग्रेसिव (SAR) मॉडल से स्पैटियल डर्बिन मॉडल (SDM) तक विस्तारित करता है।
- एक संयुक्त वेट मैट्रिक्स $W_c(\Gamma)$ को $L$ व्यक्तिगत प्रॉक्सिमिटी मैट्रिसेस के भारित योग के रूप में परिभाषित किया गया है: $W_c(\Gamma) = \sum_{\ell=1}^{L} \gamma_\ell W_\ell$ , जहाँ $\gamma_\ell$ के भारों का योग 1 है।
- मॉडल विनिर्देश (Model Specification): लेखक एक विशिष्ट फॉर्मूलेशन का प्रस्ताव करते हैं जहाँ वही संयुक्त वेट मैट्रिक्स $W_c(\Gamma)$ आश्रित चर के स्थानिक लैग (spatial lag) और सहचरों (covariates) के स्थानिक लैग दोनों को नियंत्रित करता है: $y = \rho W_c(\Gamma)y + X\beta + W_c(\Gamma)X\theta + \epsilon$ । यह पिछले फॉर्मूलेशन से भिन्न है जो केवल आश्रित चर के लैग पर संयोजन लागू करते थे, जिससे $\gamma$ मापदंडों की व्याख्यात्मकता बेहतर होती है और मॉडल अधिक संक्षिप्त (parsimonious) बनता है।
- अनुमान (Estimation): मॉडल का अनुमान मार्कोव चेन मोंटे कार्लो (MCMC) विधियों का उपयोग करके लगाया जाता है। यह दृष्टिकोण फ्लैट प्रायर्स (flat priors) का उपयोग करता है और विभिन्न ड्रॉ के दौरान बदलते वेट मैट्रिसेस को संभालने के लिए एक मोंटे कार्लो ट्रेस एस्टीमेटर का उपयोग करके जैकोबियन टर्म का सन्निकटन करता है।
- मॉडल अनिश्चितता: बेयिसियन मॉडल एवरेजिंग (BMA) का उपयोग मॉडल अनिश्चितता को संबोधित करने के लिए किया जाता है। लेखक अनुकूलतम उपसमुच्चय (subset) की पहचान करने के लिए एक बैकवर्ड सिलेक्शन प्रक्रिया का उपयोग करते हैं, जो लॉग-मार्जनल लाइक्लीहुड और पोस्टीरियर प्रोबेबिलिटी के आधार पर मॉडलों की तुलना करता है।
प्रभाव गणना:
- रिड्यूस्ड-फॉर्म SDM के आंशिक डेरिवेटिव से प्रत्यक्ष, अप्रत्यक्ष (स्पिलओवर), और कुल प्रभाव प्राप्त किए जाते हैं।
- कम्प्यूटेशनल जटिलता को प्रबंधित करने के लिए, लेखक पोस्टीरियर डिस्ट्रीब्यूशन से प्रभावों के स्केलर सारांश उपायों की गणना करने के लिए एक ट्रेस-आधारित सन्निकटन रणनीति (इन्वर्स मैट्रिक्स को अनंत श्रृंखला में विस्तारित करना) का उपयोग करते हैं।

अनुभवजन्य अनुप्रयोग और परिणाम
इस ढांचे को मिलान के टेक इकोसिस्टम के भीतर 505 फर्मों के डेटासेट पर लागू किया गया है, जिसमें सेल्स ग्रोथ (2022-2023) को आश्रित चर के रूप में उपयोग किया गया है।

मॉडल चयन: बैकवर्ड एलिमिनेशन और BMA के माध्यम से, अध्ययन एक ऐसे विनिर्देश की पहचान करता है जिसमें चार प्रॉक्सिमिटी मैट्रिसेस (भौगोलिक, तकनीकी, संज्ञानात्मक और औद्योगिक) शामिल हैं, जो सबसे उपयुक्त है और 75% से अधिक की पोस्टीरियर प्रोबेबिलिटी प्राप्त करता है। यह विनिर्देश पूर्ण छह-मैट्रिक्स मॉडल और सभी SAR विनिर्देशों (जिन्होंने शून्य पोस्टीरियर प्रोबेबिलिटी प्राप्त की) की तुलना में काफी बेहतर प्रदर्शन करता है।
प्रॉक्सिमिटी वेट्स: सर्वश्रेष्ठ विनिर्देश में, तकनीकी निकटता (Technological proximity) का भार सबसे अधिक है ( $\gamma \approx 0.32$ ), उसके बाद संज्ञानात्मक निकटता ( $\gamma \approx 0.29$ ) और औद्योगिक निकटता ( $\gamma \approx 0.25$ ) का स्थान है। भौगोलिक निकटता महत्वपूर्ण बनी हुई है लेकिन माध्यमिक है ( $\gamma \approx 0.13$ )। सामान्य और क्षमता-आधारित प्रॉक्सिमिटी को अनावश्यक पाया गया और उन्हें अनुकूलतम मॉडल से बाहर कर दिया गया।
स्पिलओवर प्रभाव:
- स्पैटियल ऑटोरेग्रेसिव पैरामीटर ( $\rho$ ) उच्च ( $\approx 0.76$ ) है, जो मजबूत समग्र निर्भरता को दर्शाता है।
- फर्म का आकार (बिक्री): एक नकारात्मक प्रत्यक्ष प्रभाव दिखाता है लेकिन एक सकारात्मक अप्रत्यक्ष प्रभाव भी दिखाता है, जो पड़ोसियों के पैमाने से होने वाले प्रतिपूरक स्पिलओवर (compensatory spillovers) का सुझाव देता है।
- ज्ञान आधार (कर्मचारी): मजबूत सकारात्मक प्रत्यक्ष और अप्रत्यक्ष प्रभाव प्रदर्शित करता है, जो पुष्टि करता है कि मानव पूंजी विस्तार आंतरिक विकास और बाहरी स्पिलओवर दोनों को संचालित करता है।
- नेटवर्क सेंट्रैलिटी: जब पूर्ण प्रॉक्सिमिटी मैट्रिक्स का उपयोग किया जाता है, तो व्यक्तिगत नेटवर्क सेंट्रैलिटी इंडेक्स (जैसे, तकनीकी सेंट्रैलिटी) की सार्थकता कम हो जाती या बदल जाती है, जो यह सुझाव देता है कि प्रॉक्सिमिटी मैट्रिक्स सिंथेटिक सेंट्रैलिटी उपायों की तुलना में अंतर्निहित संबंधात्मक संरचना को अधिक प्रभावी ढंग से कैप्चर करता है।

प्रमुख योगदान और महत्व
यह शोध पत्र साहित्य में तीन प्राथमिक योगदान का दावा करता है:

पद्धतिगत विस्तार (Methodological Extension): यह फर्म स्तर पर स्पैटियल डर्बिन मॉडल में बेयसियन कॉनवेक्स कॉम्बिनेशन दृष्टिकोण का पहला अनुप्रयोग है। लेखक तर्क देते हैं कि यह फॉर्मूलेशन पिछले SAR-आधारित या वैकल्पिक SDM विनिर्देशों की तुलना में बेहतर है क्योंकि यह सुनिश्चित करता है कि समान स्थानिक संरचना एंडोजेनस इंटरैक्शन और एक्सोजेनस स्पिलओवर दोनों को नियंत्रित करती है, जिससे मापदंडों की व्याख्यात्मकता में सुधार होता है और अनुमानित मापदंडों की संख्या कम होती है।
डेटा नवाचार: कॉर्पोरेट वेबसाइट के टेक्स्ट से प्रॉक्सिमिटी उपायों को प्राप्त करके, यह अध्ययन स्थिर उद्योग कोड या पेटेंट वर्गों के बजाय फर्म की गतिविधियों और ज्ञान प्रोफाइल की गतिशील, स्व-रिपोर्ट की गई प्रकृति को कैप्चर करता है। यह फर्म की समानताओं की अधिक अद्यतित और सूक्ष्म समझ की अनुमति देता है।
अनुभवजन्य अंतर्दृष्टि: अध्ययन प्रदर्शित करता है कि बहुआयामी निकटता नेटवर्क विशिष्ट चैनलों के माध्यम से फर्म के प्रदर्शन को संचालित करते हैं। यह पाता है कि जबकि भौगोलिक निकटता मायने रखती है, तकनीकी और संज्ञानात्मक संरेखण (alignments) स्पिलओवर के प्रमुख चालक हैं। परिणाम बताते हैं कि नीतिगत हस्तक्षेपों को केवल भौतिक सह-स्थान (co-location) के बजाय सिमेंटिक संरेखण (जैसे, तकनीक मिलान, ज्ञान हस्तांतरण) को प्राथमिकता देनी चाहिए।

निष्कर्ष
पत्र यह निष्कर्ष निकालता है कि सिंथेटिक सेंट्रैलिटी उपायों पर निर्भर रहने के बजाय एडजसेंसी मैट्रिसेस के माध्यम से अंतर-फर्म कनेक्शन के पूर्ण टोपोलॉजी को संरक्षित करना, स्पिलओवर तंत्र की अधिक मजबूत समझ प्रदान करता है। बेयसियन ढांचा मॉडल अनिश्चितता को सफलतापूर्वक संभालता है, यह पहचानते हुए कि चार प्रॉक्सिमिटी आयामों (भौगोलिक, तकनीकी, संज्ञानात्मक, औद्योगिक) का एक उपसमुच्चय मिलान के टेक इकोसिस्टम में जटिल निर्भरता संरचना को समझाने के लिए पर्याप्त है। ये निष्कर्ष स्थान-आधारित नवाचार नीतियों के लिए ठोस मार्गदर्शन प्रदान करते हैं, जो यह सुझाव देते हैं कि तकनीकी और संज्ञानात्मक लिंकेज को बढ़ावा देना जेनेरिक क्लस्टरिंग प्रोत्साहन की तुलना में अधिक प्रभावी हो सकता है।

तकनीकी सारांश: अंतर-फर्म स्पिलओवर और आर्थिक प्रदर्शन के लिए एक बेयसियन संयोजन दृष्टिकोण

इसी तरह के और पेपर