From Scalar Rankings to Territorial Structures: A Topological Data Analysis Framework for Regional Competitiveness

Decennialang hebben economen en beleidsmakers geprobeerd te meten hoe goed verschillende plaatsen het doen. Ze kijken naar regio's, steden en staten, en vragen zich af welke floreren en welke worstelen. Om dit te beantwoorden, hebben ze traditioneel vertrouwd op een eenvoudig hulpmiddel: één enkel getal. Stel je voor dat je een complex portret van een persoon neemt—hun gezondheid, hun baan, hun opleiding, hun sociale leven—en al die informatie samenpers tot één score op een test. Dat is in essentie wat huidige methoden voor hele regio's doen. Ze nemen tientallen verschillende factoren, zoals hoeveel mensen een baan hebben, hoeveel geld er wordt geïnvesteerd en hoe goed mensen toegang hebben tot internet, en combineren die tot één enkele rangschikking. Dit maakt het gemakkelijk om te zeggen dat de ene regio "nummer vijf" is en de andere "nummer vijftig". Maar door deze aanpak te gebruiken, wordt het landschap afgeplat. Het verbergt het feit dat twee regio's dezelfde score kunnen hebben, maar deze op totaal verschillende manieren bereiken, of dat sommige regio's in een rommelig middengebied liggen dat niet netjes in een lijn past.

Dit is het probleem dat een team onderzoekers van de Universiteit van Plovdiv in Bulgarije probeerde op te lossen. Zij stelden dat regionale concurrentiekracht geen rechte lijn is waarbij iedereen van best naar slecht gerangschikt kan worden. In plaats daarvan stelden zij voor dat het een complexe, meerlagige ruimte is waarin regio's op ingewikkelde wijze met elkaar verbonden zijn. Om deze patronen te zien, wendden zij zich tot een vakgebied uit de wiskunde genaamd topologische data-analyse. In eenvoudige termen is dit een manier om de vorm van data te bestuderen. In plaats van alleen punten te tellen of gemiddelden te berekenen, kijkt deze methode naar hoe de punten in de ruimte zijn gerangschikt. Het vraagt of de data een gladde wolk vormt, een reeks afzonderlijke eilanden, of een web van lussen en gaten. Door deze aanpak te gebruiken, wilden de onderzoekers zien of de kaart van het Europese regionale succes eruitzag als een eenvoudige ladder of als iets veel complexers.

De onderzoekers richtten zich op de Europese Unie en keken naar 117 specifieke regio's die bekend staan als NUTS 2-gebieden. Dit zijn de standaardeenheden die worden gebruikt voor regionaal beleid in Europa. Ze verzamelden gegevens van 2015 tot 2024, maar om hun kaart accuraat te maken, concentreerden ze zich op het jaar 2021, het enige jaar waarin zij volledige informatie hadden voor alle 117 regio's over zeven belangrijke gebieden. Deze gebieden omvatten hoe goed mensen werkzaam zijn, het niveau van economische ontwikkeling, de mogelijkheid om in nieuwe projecten te investeren, toegang tot internet, sociale kwetsbaarheid, hoeveel tijd huishoudens aan werk besteedden, en het niveau van onderwijs en vaardigheden in de bevolking. In plaats van deze zeven factoren in één score te mengen, hielden ze ze gescheiden en behandelden ze elke regio als een uniek punt dat zweeft in een zevendimensionale ruimte.

Om deze ruimte te visualiseren, gebruikte het team een techniek genaamd het Mapper-algoritme. Denk bij dit proces aan het nemen van een hoogdimensionale datawolk en het projecteren ervan op een plat oppervlak om de structuur te zien. Het algoritme groepeert nabijgelegen regio's in clusters, of "nodes", en trekt lijnen tussen deze nodes als ze gemeenschappelijke kenmerken delen. Het resultaat is een netwerkkaart die laat zien hoe regio's met elkaar verband houden. Toen de onderzoekers dit toepasten op de gegevens van 2021, zag de kaart er niet uit als een enkele, gladde heuvel waar je van beneden naar boven kunt lopen. In plaats daarvan onthulde het een landschap met een centrale ruggengraat, verschillende vertakkende paden en duidelijke clusters.

De kaart toonde aan dat de regionale concurrentiekracht van de Europese Unie is georganiseerd in segmenten. Er was een grote centrale groep bestaande uit regio's uit Oostenrijk, Denemarken, Spanje, Finland en Nederland. Deze regio's deelden een zeer vergelijkbaar profiel over alle zeven indicatoren, wat een samenhangende kern vormde. Nabij, maar duidelijk onderscheidend, was een andere cluster bestaande uit regio's uit de Tsjechische Republiek, Hongarije en Slowakije, die een andere maar even sterke interne structuur vertoonden. Andere nodes verbonden regio's uit Oostenrijk, Denemarken, Zweden, Nederland en Spanje, terwijl kleinere, meer geïsoleerde nodes regio's uit Bulgarije, Roemenië en Kroatië bevatten. Cruciaal was dat de kaart aantoonde dat deze groepen niet slechts willekeurige verzamelingen buren waren. Regio's uit verschillende landen kwamen vaak in dezelfde cluster terecht omdat hun interne sterktes en zwaktes overeenkwamen, terwijl regio's binnen hetzelfde land soms in zeer verschillende delen van de kaart terechtkwamen.

De onderzoekers controleerden ook of dit patroon slechts een toevalligheid was van het jaar 2021. Ze voerden dezelfde analyse uit op gegevens van 2018, 2019, 2020 en 2022. In elk jaar produceerde de kaart een vergelijkbare vorm: een gestructureerd netwerk met een centrale ruggengraat en zijtakken, in plaats van een enkele gladde lijn. Dit suggereerde dat de manier waarop deze regio's georganiseerd zijn een stabiel kenmerk is van de Europese economie, en geen tijdelijke toevalligheid. De analyse gebruikte ook een methode om de "gaten" en "lussen" in de data te testen. Het vond dat de ruimte geen solide, continu blok was. In plaats daarvan had het gaten en duidelijke componenten, wat bevestigde dat de regio's niet alleen verschillen in graad, maar ook in soort.

De bevindingen dagen de oude manier van denken over regionaal succes uit. De studie suggereert dat het kijken naar een enkele rangschikking onvoldoende is, omdat het de ware structuur van de economie verbergt. Twee regio's kunnen dezelfde algemene score hebben, maar de ene kan sterk zijn in banen maar zwak in digitale toegang, terwijl de andere het tegenovergestelde is. Een eenvoudige rangschikking zou hen als gelijk behandelen, maar de topologische kaart zou laten zien dat zij zeer verschillende posities innemen. De onderzoekers vonden dat sommige regio's in het midden liggen en fungeren als bruggen tussen verschillende groepen, terwijl anderen aan de randen liggen, losgekoppeld van de hoofdstructuren. Dit is van belang voor beleidsmakers, omdat het betekent dat een oplossing die werkt voor een regio in één cluster, misschien niet werkt voor een regio in een andere cluster, zelfs als ze dezelfde rang hebben.

Uiteindelijk biedt dit onderzoek een nieuwe manier om naar het economische landschap te kijken. Het verwerpt de oude rangschikkingen niet, maar voegt er een laag van diepte aan toe. Door regionale concurrentiekracht te behandelen als een complexe vorm in plaats van een enkel getal, onthult de studie dat de Europese Unie is opgebouwd uit overlappende, terugkerende patronen van ontwikkeling. Deze patronen trekken landsgrenzen over en verbinden regio's die een vergelijkbaar economisch DNA delen, ongeacht welk land ze behoren tot. Het werk laat zien dat om echt te begrijpen hoe regio's concurreren en groeien, we naar de vorm van hun relaties moeten kijken, en niet alleen naar de hoogte van hun scores.