Ranking Regional Innovation Policies: DEA-based Benchmarking in an European Setting

Seudullinen innovaatio on monimutkainen ilmiö, joka usein sijaitsee paikallisten toimijoiden keskinäisen vuorovaikutuksen kentässä. Täten sitä on perinteisesti pidetty vaikeasti mitattavana ilmiönä. Työssä sovellettiin Data Envelopment Analysis menetelmää, joka on osoittautunut aiemmin menestyksekkääksi tapauksissa, joissa mitattavien syötteiden ja tuotteiden väliset suhteet eivät ole olleet ilmeisiä. Työssä luotiin konseptuaalinen malli seudullisen innovaation syötteistä ja tuotteista, jonka perusteella valittiin 12 tilastollisen muuttujan mittaristo. Käyttäen Eurostat:ia datalähteenä, lähdedata kahdeksaan muuttujsta saatiin seudullisella tasolla, sekä mittaristoa täydennettiin yhdellä kansallisella muuttujalla. Arviointi suoritettiin lopulta 45 eurooppalaiselle seudulle. Tutkimuksen painopiste oli arvioida DEA-menetelmän soveltuvuutta innovaatiojärjestelmän mittaamiseen, sillä menetelmää ei ole aiemmin sovellettu vastaavassa tapauksessa. Ensimmäiset tulokset osoittivat ylipäätään liiallisen korkeita tehokkuuslukuja. Korjaustoimenpiteitä erottelutarkkuuden parantamiseksi esiteltiin ja sovellettiin, jonka jälkeen saatiin realistisempia tuloksia ja ranking-lista arvioitavista seuduista. DEA-menetelmän todettiin olevan tehokas ja kiinnostava työkalu arviointikäytäntöjen ja innovaatiopolitiikan kehittämiseen, sikäli kun datan saatavuusongelmat saadaan ratkaistua sekä itse mallia tarkennettua.

Regional innovation is a complex phenomenon that often resides in the interplay of several local actors and has traditionally been resistant to attempts in evaluating and assessing its impact. This study called upon the Data Envelopment Analysis method, which has previously been successful in the evaluation of other cases, where the tacit relations between different inputs and outputs are not obvious. A conceptual model of regional innovation was devised, which was subsequently quantified into a total of twelve statistical indicators as inputs and outputs. Using Eurostat as the data source, source data for eight of these indicators was retrieved at regional level, along with one complementary national indicator, and utilized in the efficiency calculations of 45 European regions. The focus of the study was in the usability of the DEA analysis method in the context of innovation system efficiency evaluation, which has not been attempted earlier. The initial findings proved unsatisfying with exceedingly high amounts of efficiency allocated to the regions. Correctional measures to improve discrimination accuracy of the model were presented and applied resulting in more realistic efficiency scores and rankings of the regions. It was determined that DEA may prove to be an effective and interesting tool for developing evaluation practices and regional innovation policies, once issues with data availability and refinement of the model have been solved.