📈 economics

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

本研究は、複数の地理的および意味的な近接性ネットワークを結合するためのベイズ手法を提案しており、これらの多次元的な企業間接続を統合することが、ミラノのテック・エコシステム内における知識スピルオーバーの理解、およびそれが企業の業績に与える影響の理解を著しく高めることを実証している。

原著者： Andrea D'Isidoro, Roberto Benedetti, Alessandro Marra

公開日 2026-07-14

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Andrea D'Isidoro, Roberto Benedetti, Alessandro Marra

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

ミラノのビジネス界を、505社ものテック企業が集まる、巨大で活気あふれる蜂の巣だと想像してみてください。長い間、経済学者たちは、企業の成功の秘訣は単にオフィスが隣の会社とどれだけ近いかにあると考えてきました。もし誰かのすぐ隣に座れば、その人の優れたアイデアを風邪のようにうつしてもらえると考えていたのです。

しかし、この論文は、それは物語の半分に過ぎないことを示唆しています。大切なのは、単に誰が隣に住んでいるかではなく、誰が自分と同じように考え、同じ技術的な言語を話し、同じ業界で働いているかということなのです。著者であるアンドレア、ロベルト、アレッサンドロは、これらの企業が実際にどのように結びついているのかを観察するために、超複雑なデジタル顕微鏡を構築することで、この仮説を検証することにしました。

「6つの風味」のスープ
研究者たちは、単にオフィスの間の距離を測るのではなく、6つの異なる「風味」の近さを調べました：

地理的（Geographical）: ビル同士がどれくらい離れているか？
一般的（General）: ウェブサイトが同様の幅広いトピックについて語っているか？
技術的（Technological）: 同じ技術ツールを使用しているか？
認知的（Cognitive）: 同じメンタルモデルや知識を共有しているか？
能力ベース（Competence-based）: 同じ特定のスキルを持っているか？
産業的（Industrial）: 同じビジネスセクターに属しているか？

これらを測定するために、彼らは単に企業に尋ねたのではありません。企業のウェブサイト自体を読み込んだのです。彼らはスマートなコンピュータプログラムを使用して、サイト上のテキストを「類似度スコア」へと変換しました。もし2つの企業が「AI」や「ブロックチェーン」について似たような書き方をしていれば、コンピュータは「おや、この2社は認知的に近いぞ！」と判断したのです。

魔法のミキシングボウル
ここからが数学的に高度な部分です。著者たちは単に「最高の」風味を選んだわけではありません。彼らは特別なベイズ法（これは超スマートなミキシングボウルだと考えてください）を使用して、これら6つの風味すべてを混ぜ合わせ、一つの巨大な「近接性スープ」を作り上げました。彼らは、地理的な近さがどれほどの影響を与え、テクノロジーや共有知識がどれほどの影響を与えるのか、その「成功の風味」の内訳を知りたかったのです。

彼らは「空間ディルビン・モデル（SDM）」というモデルを使用して実験を行いました。SDMは、標準的な地図のより洗練されたバージョンだと考えてください。単純な地図は「あなたの隣人の成功があなたに影響を与える」と言うだけですが、この高度なモデルは、「あなたの隣人の成功があなたに影響を与え、さらに、あなたの隣人の『スキル』があなたに影響を与え、さらには、あなたの隣人の『隣人のスキル』もあなたに影響を与える」と言います。これは街全体に広がる波及効果を捉えるものです。

大きな発見：単なる場所の問題ではない
彼らがスープを味わったとき、結果は驚くべきものでした。

地理はまだそこに存在するが、それはサイドディッシュに過ぎない。 企業間の物理的な距離は重要でしたが、それは全影響のわずか**12.5%**しか説明できませんでした。
真の主役は「思考」に関する要素だった。 成功を牽引した最大の風味は、技術的な近接性（約32%）と認知的な近接性（約29%）でした。これは、たとえ同じ建物にいなくても、似たような技術を使い、似たような考え方を持つ人々に近い環境にいることで、企業はより速く成長したことを意味します。
産業的な近接性（同じセクターに属していること）も、**25%**という強い影響力を持つ要素でした。

研究では、他の2つの風味が冗長（不要）であることを明確に排除しました。「一般的」な類似性と「能力ベース」の類似性は、他の4つが含まれた後では何も新しい情報を付け加えませんでした。それは、すでに塩とコショウがたっぷり入っている料理に、さらに塩とコショウを加えるようなもので、かえって邪魔になるだけなのです。

企業の規模についてはどうなのか？
研究者たちは、企業規模がどのような役割を果たすかも調査しました。彼らは以下のことを発見しました：

大きいことが常に成長につながるわけではない。 非常に高い売上からスタートした企業は、実際には成長が緩やかでした（負の効果）。
・チームを増やすことはスーパーパワーである。 従業員を増やした企業は、売上成長において劇的なブーストを見せました。この効果は、その企業自身にとっても、またその隣人の企業にとっても強力でした。もし隣の会社が人を雇えば、あなたもより速く成長する傾向があるのです。

彼らの確信度はどの程度か？
著者たちは単に推測したのではなく、確信を持つために何千回ものコンピュータ・シミュレーションを実行しました。彼らは、自らの洗練された「6つの風味」モデルを、1つまたは2つの要因のみを見るより単純なモデルと比較しました。結果は明白でした。4つの最良の風味（地理、技術、認知、産業）をブレンドした複雑なモデルが勝者であり、データを見るための正しい方法である確率は**75%**でした。

また、彼らはデータの混合方法における古い手法（SARモデルと呼ばれるもの）とも比較しました。彼らの新しい手法（SDM）は、より低いエラースコア（古い手法のAICが68.80であるのに対し、新手法は62.07）を示し、現実世界のデータにより適合していました。

まとめ
したがって、もし成功するテックハブを築きたいのであれば、単に多くのオフィスを隣同士に建てて、あとは祈るだけ、ということをしてはいけません。この論文は、真の魔法は、企業が同じ「テクノロジー」と「考え方」を共有できるエコシステムを構築したときに起こることを示唆しています。

著者たちは、政府やビジネスリーダーに対し、企業に同じ建物へ移転するための資金を与える代わりに、「意味論的（セマンティック）」なつながりに焦点を当てるべきだと提案しています。つまり、企業が同じ技術言語を話し、同じ知識基盤を共有できるパートナーを見つけられるよう支援することです。それは、単に誰が隣に住んでいるかではなく、誰と深く対話できるかという問題なのです。

技術的要約：企業間スピルオーバーと経済パフォーマンスに対するベイズ結合アプローチ

問題提起
企業のパフォーマンス、特に知識集約型セクターにおいては、内部能力だけでなく、知識のスピルオーバーを促進する他社との近接性も重要な要因となる。従来の文献では、近接性が地理的なものにとどまらず、技術的、認知的、産業的な次元を含むことが認められているが、実証的なアプローチは、合成ネットワーク指標（例：中心性指標）や単一のマトリックスを用いた空間モデルに依存することが多い。これらの手法は、多面的な企業間接続の性質や、異なる近接性の次元間の複雑な相互依存関係を見落としがちである。さらに、複数の近接性マトリックスを結合するための既存の最尤法は、少数の次元に限定されることが多く、標準的な空間モデルは、複数の近接性のタイプの共同的な寄与や、どの特定の次元がスピルオーバーを駆動しているかに関する不確実性を捉えきれない可能性がある。

手法
著者らは、複数の近接性ネットワークを、ベイズ凸結合アプローチを用いて空間ディルビン・モデル（SDM）に統合する統一的なフレームワークを提案している。

意味論的近接性の構築:
- 本研究では、静的な産業コードや特許クラスに頼るのではなく、企業のウェブサイトのテキスト内容から派生した6つの近接性マトリックスを構築する。
- 潜在的ディリクレ配分法（LDA）および自然言語処理（NLP）を用いることで、企業を共通のトピック上にマッピングし、技術、知識基盤、コンピテンシー、および専門化を表すベクトルを抽出する。
- ペアごとのコサイン類似度を、逆U字関数（Boschma, 2005; Nooteboom et al., 2007に従う）へと変換し、近接性マトリックスを構築する。この変換は、適度な類似性がスピルオーバーを最大化する一方で、極端な類似性または相違はスピルオーバーを阻害するという仮定に基づいている。
- 6つのマトリックスには、地理的、全般、技術的、認知的、コンピテンシーに基づく、および産業的近接性が含まれる。
SDMにおけるベイズ凸結合:
- 本研究は、凸結合の枠組み（Debarsy and LeSage, 2022）を、空間自己回帰（SAR）モデルから空間ディルビン・モデル（SDM）へと拡張する。
- 結合重み行列 $W_c(\Gamma)$ は、 $L$ 個の個別の近接性マトリックスの加重和として定義される： $W_c(\Gamma) = \sum_{\ell=1}^{L} \gamma_\ell W_\ell$ 。ここで、 $\gamma_\ell$ は合計が1となる重みである。
- モデル仕様: 著者らは、同一の結合重み行列 $W_c(\Gamma)$ が、従属変数の空間ラグと共変量の空間ラグの両方を支配する特定の定式化を提案している： $y = \rho W_c(\Gamma)y + X\beta + W_c(\Gamma)X\theta + \epsilon$ 。これは、結合を従属変数のラグのみに適用していた従来の定式化とは異なり、 $\gamma$ パラメータの解釈性を高め、より簡潔なモデルを提供する。
- 推定: モデルはマルコフ連鎖モンテカルロ（MCMC）法を用いて推定される。このアプローチは、フラット事前分布を採用し、描画ごとに変化する重み行列を扱うために、ヤコビアン項をモンテカルロ・トレース推定量を用いて近似する。
- モデルの不確実性: モデルの不確実性に対処するために、ベイズモデル平均化（BMA）を利用する。著者らは、対数周辺尤度と事後確率に基づいて、最適な近接性マトリックスのサブセットを特定するための後退選択手順を用いている。
インパクトの計算:
- 直接的、間接的（スピルオーバー）、および総体的インパクトは、簡約化されたSDMの偏微分から導出される。
- 計算の複雑さを管理するため、著者らは、事後分布からインパクトのスカラ要約値を計算するために、行列の逆行列を無限級数へと展開するトレースベースの近似戦略を使用している。

実証的適用と結果
本フレームワークは、ミラノのテック・エコシステム内の505社を対象としたデータセットに適用され、売上成長率（2022年–2023年）を従属変数として用いている。

モデル選択: 後退除去およびBMAを通じて、本研究は4つの近接性マトリックス（地理的、技術的、認知的、および産業的）を持つ仕様が最適であることを特定し、75%を超える事後確率を達成した。この仕様は、全6マトリックス・モデルおよびすべてのSAR仕様（これらはゼロの事後確率を受けた）を大幅に上回る適合度を示した。
近接性の重み: 最適な仕様において、技術的近接性が最も高い重み（ $\gamma \approx 0.32$ ）を持ち、次いで認知的近接性（ $\gamma \approx 0.29$ ）、産業的近節性（ $\gamma \approx 0.25$ ）となった。地理的近接性は依然として有意であるが、二次的なものとなった（ $\gamma \approx 0.13$ ）。全般およびコンピテンシーに基づく近接性は冗長であると判断され、最適なモデルからは除外された。
スピルオーバー効果:
- 空間自己回帰パラメータ（ $\rho$ ）は高く（ $\approx 0.76$ ）、強い全体的な依存関係を示している。
- 企業規模（売上）: 負の直接効果を示すが、正の間接効果を示す。これは、隣接企業の規模による補償的スピルオーバーを示唆している。
- 知識基盤（従業員数）: 強力な正の直接効果および間接効果を示し、人的資本の拡大が内部成長と外部へのスピルオーバーの両方を駆動することを確認した。
- ネットワーク中心性: 全近接性マトリックスを使用した場合、個々のネットワーク中心性指標（例：技術的中心性）の有意性は低下または変化しており、これは近接性マトリックスが合成的な中心性指標よりも基礎となる関係構造をより効果的に捉えていることを示唆している。

主要な貢献と意義
本論文は、文献に対して主に3つの貢献を主張している。

方法論的拡張: 企業レベルの空間ディルビン・モデル（SDM）にベイズ凸結合アプローチを適用した最初の事例である。著者らは、この定式化が、内生的相互作用と外生的スピルオーバーの両方に同じ空間構造を保証することで、従来のSARベース、あるいは代替的なSDM仕様よりも優れていると主張している。これにより、パラメータの解釈性が向上し、推定されるパラメータ数が減少する。
データの革新性: 静的な産業コードや特許クラスではなく、企業のウェブサイトのテキストから近接性尺度を導出することで、本研究は、企業の活動と知識プロファイルの動的かつ自己報告的な性質を捉えている。これにより、企業間の類似性について、より最新かつ粒度の高い理解が可能となる。
実証的知見: 多次元的な近接性ネットワークが、特定のチャネルを通じて企業パフォーマンスを駆動することを本研究は示している。地理的近接性も重要であるが、技術的および認知的整合性が、ミラノのテック・エコシステムにおけるスピルオーバーの主要なドライバーであることが判明した。この結果は、政策介入が、単純な物理的集積よりも、意味論的な整合性（例：技術マッチング、知識移転）を優先すべきであることを示唆している。

結論
本論文は、合成的な中心性指標に頼るのではなく、隣接行列を通じて企業間の接続の完全なトポロジーを保持することが、スピルオーバー・メカニズムのより強固な理解を提供するものであると結論づけている。ベイズ・フレームワークはモデルの不一実性をうまく処理し、4つの近接性次元（地理的、技術的、認知的、産業的）のサブセットが、ミラノのテック・エコシステムにおける複雑な依存構造を説明するのに十分であることを特定した。これらの知見は、場所に基づいたイノベーション政策に対して具体的な指針を提供しており、単なる一般的なクラスタリングのインセンティブよりも、技術的および認知的結合を育むことの方が効果的である可能性を示唆している。

技術的要約：企業間スピルオーバーと経済パフォーマンスに対するベイズ結合アプローチ

関連論文