📈 economics

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

Este estudo propõe uma metodologia bayesiana para combinar múltiplas redes de proximidade geográfica e semântica, demonstrando que a integração dessas conexões interfirmas multidimensionais aumenta significativamente a compreensão dos transbordamentos de conhecimento e seu impacto no desempenho das empresas dentro do ecossistema tecnológico de Milão.

Autores originais: Andrea D'Isidoro, Roberto Benedetti, Alessandro Marra

Publicado 2026-07-14

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Andrea D'Isidoro, Roberto Benedetti, Alessandro Marra

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o mundo dos negócios de Milão como uma colmeia gigante e agitada de 505 empresas de tecnologia. Por muito tempo, os economistas pensaram que o segredo para o sucesso de uma empresa era apenas o quão perto seu escritório estava de seus vizinhos. Eles acreditavam que, se você sentasse logo ao lado de alguém, pegaria suas boas ideias como se fosse um resfriado.

Mas este artigo sugere que isso é apenas metade da história. Não se trata apenas de quem mora ao seu lado; trata-se de quem você pensa como, com quem você fala a mesma linguagem técnica e em qual indústria você trabalha. Os autores, Andrea, Roberto e Alessandro, decidiram testar isso construindo um microscópio digital supercomplexo para observar como essas empresas realmente se conectam.

A "Sopa de Seis Sabores"
Em vez de apenas medir a distância entre os escritórios, os pesquisadores observaram seis diferentes "sabores" de proximidade:

Geográfica: Qual a distância entre os edifícios?
Geral: Os sites de suas empresas falam sobre tópicos amplos semelhantes?
Tecnológica: Elas usam as mesmas ferramentas tecnológicas?
Cognitiva: Elas compartilham os mesmos modelos mentais e conhecimentos?
Baseada em competência: Elas possuem as mesmas habilidades específicas?
Industrial: Elas estão no mesmo setor de negócios?

Para medir isso, eles não apenas perguntaram às empresas; eles leram os próprios sites das empresas. Eles usaram um programa de computador inteligente para transformar o texto desses sites em uma "pontuação de similaridade". Se duas empresas escreviam sobre "IA" e "blockchain" de maneiras semelhantes, o computador dizia: "Ei, estas duas são cognitivamente próximas!"

A Tigela de Mistura Mágica
É aqui que a matemática fica sofisticada. Os autores não apenas escolheram o "melhor" sabor. Eles usaram um método Bayesiano especial (pense nisso como uma tigela de mistura superinteligente) para misturar todos os seis sabores em uma única "sopa de proximidade". Eles queriam ver quanto do "sabor do sucesso" vinha da geografia versus quanto vinha da tecnologia ou do conhecimento compartilhado.

Eles realizaram este experimento usando um modelo chamado Modelo Espacial de Durbin (SDM). Pense no SDM como uma versão mais sofisticada de um mapa padrão. Enquanto um mapa simples pode apenas dizer: "O sucesso do seu vizinho afeta você", este modelo avançado diz: "O sucesso do seu vizinho afeta você, E as habilidades do seu vizinho afetam você, E as habilidades do vizinho do seu vizinho também afetam você". Ele captura um efeito de cascata que se espalha por toda a cidade.

A Grande Revelação: Não é Apenas Localização
Quando provaram a sopa, os resultados foram surpreendentes.

A Geografia ainda está lá, mas é o acompanhamento. A distância física entre as empresas importava, mas ela representava apenas cerca de 12,5% da influência total.
As verdadeiras estrelas eram as questões mentais. Os maiores sabores que impulsionavam o sucesso foram a proximidade Tecnológica (cerca de 32%) e a proximidade Cognitiva (cerca de 29%). Isso significa que as empresas cresciam mais rápido quando estavam próximas de outras que usavam tecnologias semelhantes e pensavam de formas parecidas, mesmo que não estivessem no mesmo prédio.
A proximidade Industrial (estar no mesmo setor) também era um forte elemento, com 25%.

O estudo explicitamente descartou outros dois sabores como sendo redundantes. A similaridade "Geral" e a similaridade "Baseada em competência" não acrescentavam nada de novo uma vez que os outros quatro foram incluídos. É como adicionar sal e pimenta a um prato que já tem bastante sal e pimenta; isso apenas atrapalha.

E Quanto ao Tamanho da Empresa?
Os pesquisadores também observaram como o tamanho da empresa desempenhava um papel. Eles descobriram que:

Ser maior nem sempre é melhor para o crescimento. Empresas que começaram com vendas enormes na verdade cresceram mais devagar (um efeito negativo).
Aumentar sua equipe é um superpoder. Empresas que adicionaram mais funcionários viram um aumento massivo no crescimento das vendas. Esse efeito foi forte tanto para a própria empresa quanto para seus vizinhos. Se o seu vizinho contrata mais pessoas, você também tende a crescer mais rápido.

O Quão Certos Eles Estão?
Os autores não apenas adivinharam; eles rodaram milhares de simulações de computador para ter certeza. Eles compararam seu modelo sofisticado de "seis sabores" contra modelos mais simples que olhavam apenas para um ou dois fatores. Os resultados foram claros: o modelo complexo que misturava os quatro melhores sabores (Geografia, Tecnologia, Cognição e Indústria) foi o vencedor, com uma probabilidade de 75% de ser a forma correta de olhar para os dados.

Eles também compararam seu método com uma forma mais antiga de misturar os dados (chamada de modelo SAR). Seu novo método (SDM) se ajustou muito melhor aos dados do mundo real, com uma pontuação de erro menor (AIC de 62,07 contra 68,80 para o método mais antigo).

A Conclusão
Portanto, se você quer construir um polo tecnológico de sucesso, não construa apenas um monte de escritórios uns ao lado dos outros e torça pelo melhor. O artigo sugere que a verdadeira magia acontece quando você cria um ecossistema onde as empresas compartilham as mesmas tecnologias e formas de pensar.

Os autores sugerem que, em vez de apenas dar dinheiro para as empresas se mudarem para o mesmo prédio, governos e líderes de negócios devem focar em conexões "semânticas" — ajudando as empresas a encontrar parceiros que falem a mesma linguagem técnica e compartilhem a mesma base de conhecimento. Não se trata de quem mora ao seu lado; trata-se de com quem você consegue realmente ter uma conversa profunda.

Resumo Técnico: Uma Abordagem de Combinação Bayesiana para Spillovers Interfirmas e Desempenho Econômico

Problema
O desempenho das empresas, particularmente em setores intensivos em conhecimento, é impulsionado não apenas por capacidades internas, mas também pela proximidade com outras empresas, o que facilita os transbordamentos de conhecimento (knowledge spillovers). Embora a literatura tradicional reconheça que a proximidade se estende além da geografia para incluir dimensões tecnológicas, cognitivas e industriais, as abordagens empíricas frequentemente dependem de índices de redes sintéticas (ex: medidas de centralidade) ou modelos espaciais de matriz única. Esses métodos frequentemente negligenciam a natureza multifacetada das conexões entre empresas e as interdependências complexas entre diferentes dimensões de proximidade. Além disso, as abordagens existentes de máxima verossimilhança para combinar múltiplas matrizes de proximidade são frequentemente limitadas a poucas dimensões, e os modelos espaciais padrão podem falhar em capturar a contribuição conjunta de múltiplos tipos de proximidade ou a incerteza sobre quais dimensões específicas impulsionam os spillovers.

Metodologia
Os autores propõem um framework unificado que integra múltiplas redes de proximidade em um Modelo Durbin Espacial (SDM) utilizando uma abordagem de combinação convexa Bayesiana.

Construção de Proximidade Semântica:
- Em vez de depender de códigos industriais estáticos ou classes de patentes, o estudo constró constrói seis matrizes de proximidade derivadas do conteúdo textual de sites corporativos.
- Utilizando a Alocação de Tópicos Latentes (LDA) e processamento de linguagem natural (NLP), as empresas são mapeadas em tópicos comuns para extrair vetores que representam suas tecnologias, bases de conhecimento, competências e especializações.
- As similaridades de cosseno pareadas são transformadas em uma função de U invertido (seguindo Boschma, 2005; Nooteboom et al., 2007) para construir as matrizes de proximidade. Esta transformação postula que a similaridade moderada maximiza os spillovers, enquanto a similaridade extrema ou a dissimilaridade os dificulta.
- As seis matrizes incluem: Geográfica, Geral, Tecnológica, Cognitiva, Baseada em Competências e Industrial.
Combinação Convexa Bayesiana no SDM:
- O estudo estende o framework de combinação convexa (Debarsy e LeSage, 2022) do modelo Autorregressivo Espacial (SAR) para o Modelo Durbin Espacial (SDM).
- Uma matriz de pesos combinada $W_c(\Gamma)$ é definida como uma soma ponderada de $L$ matrizes de proximidade individuais: $W_c(\Gamma) = \sum_{\ell=1}^{L} \gamma_\ell W_\ell$ , onde $\gamma_\ell$ são pesos que somam 1.
- Especificação do Modelo: Os autores propõem uma formulação específica onde a mesma matriz de pesos combinada $W_c(\Gamma)$ governa tanto o defasagem espacial da variável dependente quanto as defasagens espaciais das covariáveis: $y = \rho W_c(\Gamma)y + X\beta + W_c(\Gamma)X\theta + \epsilon$ . Isso difere de formulações anteriores que aplicavam a combinação apenas à defasagem da variável dependente, oferecendo melhor interpretabilidade dos parâmetros $\gamma$ e maior parcimônia.
- Estimação: O modelo é estimado utilizando métodos de Cadeia de Markov Monte Carlo (MCMC). A abordagem utiliza priors planos e aproxima o termo Jacobiano usando um estimador de traço de Monte Carlo para lidar com as matrizes de pesos variáveis entre as amostragens.
- Incerteza do Modelo: A Média de Modelos Bayesianos (BMA) é utilizada para abordar a incerteza do modelo. Os autores empregam um procedimento de seleção para trás (backward selection) para identificar o subconjunto ideal de matrizes de proximidade, comparando modelos com base em log-verossimilhança marginal e probabilidades posteriores.
Cálculo de Impacto:
- Impactos diretos, indiretos (spillover) e totais são derivados das derivadas parciais do SDM de forma reduzida.
- Para gerenciar a complexidade computacional, os autores utilizam uma estratégia de aproximação baseada em traço (expandindo a matriz inversa em uma série infinita) para calcular medidas de resumo escalares de impactos a partir das distribuições posteriores.

Aplicação Empírica e Resultados
O framework é aplicado a um conjunto de dados de 505 empresas do ecossistema tecnológico de Milão, utilizando o crescimento de vendas (2022–2023) como a variável dependente.

Seleção de Modelo: Através da eliminação para trás e BMA, o estudo identifica uma especificação com quatro matrizes de proximidade (Geográfica, Tecnológica, Cognitiva e Industrial) como o melhor ajuste, alcançando uma probabilidade posterior de mais de 75%. Esta especificação supera significativamente tanto o modelo de seis matrizes completo quanto todas as especificações SAR (que receberam probabilidade posterior zero).
Pesos de Proximidade: Na melhor especificação, a proximidade Tecnológica carrega o maior peso ( $\gamma \approx 0,32$ ), seguida pela proximidade Cognitiva ( $\gamma \approx 0,29$ ) e pela proximidade Industrial ( $\gamma \approx 0,25$ ). A proximidade Geográfica permanece significativa, mas secundária ( $\gamma \approx 0,13$ ). As proximidades Geral e Baseada em Competências foram consideradas redundantes e excluídas do modelo ideal.
Efeitos de Transbordamento (Spillover):
- O parâmetro autorregressivo espacial ( $\rho$ ) é alto ( $\approx 0,76$ ), indicando uma forte dependência geral.
- Tamanho da Empresa (Vendas): Mostra um efeito direto negativo, mas um efeito indireto positivo, sugerindo spillovers compensatórios da escala dos vizinhos.
- Base de Conhecimento (Funcionários): Exibe fortes efeitos diretos e indiretos positivos, confirmando que a expansão do capital humano impulsiona tanto o crescimento interno quanto os spillovers externos.
- Centralidade de Rede: Quando utilizando a matriz de proximidade completa, a significância dos índices de centralidade de rede individuais (ex: centralidade tecnológica) diminui ou muda, sugerindo que a matriz de proximidade captura a estrutura relacional subjacente de forma mais eficaz do que as medidas de centralidade sintéticas.

Principais Contribuições e Significância
O artigo reivindica três contribuições primárias para a literatura:

Extensão Metodológica: É a primeira aplicação do método de combinação convexa Bayesiana ao Modelo Durbin Espacial no nível da firma. Os autores argumentam que esta formulação é superior às formulações baseadas em SAR ou outras especificações SDM porque garante que a mesma estrutura espacial governe tanto as interações endógenas quanto os spoliovvers exógenos, melhorando a interpretabilidade dos parâmetros e reduzindo o número de parâmetros estimados.
Inovação de Dados: Ao derivar medidas de proximidade do texto de sites corporativos em vez de códigos industriais estáticos ou classes de patentes, o estudo captura a natureza dinâmica e autorreferenciada das atividades e perfis de conhecimento das empresas. Isso permite uma compreensão mais atualizada e granular das similaridades entre empresas.
Insights Empíricos: O estudo demonstra que redes de proximidade multidimensionais impulsionam o desempenho das empresas através de canais específicos. Constata-se que, embora a proximidade geográfica importe, os alinhamentos tecnológicos e cognitivos são os principais impulsionadores de spillovers no ecossistema tecnológico de Milão. Os resultados sugerem que intervenções políticas devem priorizar alinhamentos semânticos (ex: correspondência tecnológica, transferência de conhecimento) em vez de simples co-localização física.

Conclusão
O artigo conclui que preservar a topologia completa das conexões entre empresas via matrizes de adjacência, em vez de depender de medidas de centralidade sintéticas, fornece uma compreensão mais robusta dos mecanismos de spillover. O framework Bayesiano lida com sucesso com a incerteza do modelo, identificando que um subconjunto de quatro dimensões de proximidade (Geográfica, Tecnológica, Cognitiva, Industrial) é suficiente para explicar a complexa estrutura de dependência no ecossistema tecnológico de Milão. Essas descobertas oferecem orientações concretas para políticas de inovação baseadas em lugares, sugerindo que fomentar ligações tecnológicas e cognitivas pode ser mais eficaz do que incentivos de agrupamento (clustering) genéricos.

Resumo Técnico: Uma Abordagem de Combinação Bayesiana para Spillovers Interfirmas e Desempenho Econômico

Mais como este