Читать интересную книгу Как информация управляет миром - Сезар Идальго

Глава 9

Эволюция экономической сложности

Чем обусловлена географическая предвзятость в распространении знаний и ноу-хау? Ранее мы узнали о том, что сложность накопления знаний и ноу-хау связана с социальной и эмпирической природой процесса обучения, а также о том, что объем знаний и ноу-хау, которые может накопить индивид или фирма, ограничен. Ограниченная возможность фирм и индивидов накапливать знания и ноу-хау требует их фрагментации и распространения в сетях, состоящих из фирм и людей, которые, как мы видели, трудно сформировать. Таким образом, для накопления больших объемов знаний и ноу-хау, нам нужны крупные сети, состоящие из людей. Тем не менее отношение между размером сети и объемом знаний и ноу-хау, которые она может вместить, не только усложняет накопление знаний и ноу-хау, но и подразумевает, что переместить или копировать знания и ноу-хау, воплощенные в большой производственной сети, сложнее, чем переместить или копировать знания и ноу-хау, воплощенные в производственной сети меньшего размера.

Изучение географического распределения знаний и ноу-хау представляет сложность, поскольку знания и ноу-хау трудно «увидеть». Таким образом, чтобы изучить распределение и распространение знаний и ноу-хау, нам необходимо выявить их выражения, предоставляющие нам косвенную информацию о местах их нахождения. Один из способов заключается в том, чтобы посмотреть на географическое распределение центров промышленности, которую можно считать выражением знаний и ноу-хау, воплощенных в сетях, состоящих из людей и фирм, присутствующих в конкретном месте. Рассмотрение промышленности вместо знаний и ноу-хау аналогично тому, что делают биологи, когда рассматривают фенотипы (физические и функциональные характеристики организма) в качестве выражения генотипов (информации, воплощенной в ДНК организма). Гены, в их простейшем понимании, представляют собой сегменты ДНК, которые кодируют белки, в то время как фенотипы являются такими физическими и функциональными характеристиками организмов, как цвет волос или предрасположенность к гипертонии. В этой главе я постараюсь сделать то, что делают генетики, только вместо попытки установить связь между фенотипами и генами, я постараюсь найти связь между знаниями и ноу-хау, доступными в конкретном месте, и присутствующими в нем отраслями промышленности.

Фенотипы и генотипы являются удобной аналогией, поскольку они представляют собой пару связанных сущностей, одна из которых более доступна для наблюдения, чем другая, – фенотипы поддаются наблюдению легче, чем гены, а отрасли промышленности поддаются наблюдению легче, чем знания или ноу-хау. Эта двойственность полезна, поскольку она подразумевает возможность измерения наиболее очевидной величины в качестве заместителя наименее очевидной. Например, отображение пространственного распределения генов, отвечающих за высокий рост, в настоящее время вызывает трудности. На самом деле с ростом связаны многие гены, поэтому выявление и квантификация молекулярных последовательностей, которые могут помочь объяснить разницу в росте между Леброном Джеймсом и Дэнни ДеВито, являются не простой задачей.[133] Однако, просто взглянув на Леброна Джеймса и Дэнни ДеВито, мы легко можем сказать, кто из них с большей вероятностью является носителем генов, отвечающих за высокий рост, даже если мы точно не знаем, что это за гены. Точно так же, если нам нужно выявить наличие знаний и ноу-хау, необходимых для производства реактивных двигателей, мы можем просто посмотреть, где находятся разработчики и производители реактивных двигателей. Проще говоря, мы можем предположить, что Лос-Анджелес, а не Кито, обладает избытком знаний и ноу-хау, необходимых для производства боевиков, поскольку каждый год в Лос-Анджелесе создается множество популярных боевиков, а в Кито – совсем мало, если вообще создаются. Таким образом, хотя наличие отраслей промышленности не говорит нам о специфических наборах знаний и ноу-хау, требующихся для создания фильмов, оно может указать нам на физическое расположение сетей, содержащих эти знания и ноу-хау.[134]

Получить точные данные о месте нахождения отраслей промышленности нелегко, но возможно. Несовершенные выражения международных связей между промышленностью и местонахождением производств воплощены в торговых данных, отражающих экспортируемые и импортируемые каждой страной продукты. В случае с местными экономиками эти данные можно найти в таких правительственных отчетах, как налоговое резидентство фирм, взносы людей в фонды социального страхования и перепись промышленных предприятий. Хотя по большей части такие наборы данных несовершенны и ограничены, они представляют собой один из лучших источников, которые мы можем использовать для определения местоположения фирм, а также знаний и ноу-хау, которыми эти фирмы обладают.

Эти наборы данных полезны, поскольку показывают эмпирическую сторону, которую мы можем использовать для проверки теорий, объясняющих состав промышленного комплекса того или иного региона. Для этого нам необходимо выявить неочевидные особенности этих наборов данных (то есть те, которые нельзя объяснить случайным образом), являющиеся общими для нескольких различных наборов данных и поддающихся предсказанию, исходя из тестируемых теорий.

Поразительной особенностью, являющейся общей для данных, отражающих налоговое резидентство фирм, и данных международной торговли, является паттерн, который экологи называют вложенностью (nestedness).[135] Значение этого слова станет очевидным, если вы обратитесь к иллюстрации, показанной в следующей врезке. Вложенность представляет собой технический способ описания «треугольности» этих матриц. Формально вложенность – это одновременная тенденция к тому, чтобы (1) в наименее разнообразных в плане представленных отраслей регионах присутствовало подмножество отраслей промышленности, характерных для самых многоотраслевых регионов и чтобы (2) наименее распространенные отрасли промышленности присутствовали почти исключительно в самых многоотраслевых регионах.

Чтобы проиллюстрировать идею вложенности, рассмотрим данные экспорта Аргентины, Гондураса и Нидерландов. Из 50 продуктов, которые Гондурас экспортировал в 2008 году, Аргентина экспортировала 25 (50 %), а Нидерланды – 48 (96 %).[136] Из 227 продуктов, которые экспортировала в 2008 году Аргентина, Нидерланды экспортировали 213 (94 %). Это говорит нам о том, что экспорт Гондураса, говоря статистически, является подмножеством экспорта Аргентины, а экспорт Аргентины и Гондураса, в свою очередь, представляют собой подмножество экспорта Нидерландов. Вы можете посчитать очевидным то, что многоотраслевой район включает отрасли, присутствующие в наименее разнообразных в плане представленных отраслей регионах. Тем не менее значение вложенности, наблюдаемой в данных, статистически больше того, которое можно было бы ожидать, исходя из различий в населении или промышленности, таким образом, мы называем эти матрицы вложенными не только из-за структуры подмножеств, но и потому, что значение вложенности статистически больше того, которое можно было бы ожидать, исходя из очевидных объяснений.[137]

Статистическая значимость вложенности представляет собой факт распределения отраслей в пространстве, заставляющий нас глубоко задуматься о механизмах, которые могли бы помочь учесть вложенность. Здесь опять становится полезной концепция челобайта.

Вложенность этих матриц, отражающих расположение отраслей, говорит нам о том, что некоторые отрасли промышленности (и, следовательно, фрагменты знаний и ноу-хау) присутствуют практически везде, в то время как другие доступны только в некоторых местах. Однако какие же отрасли присутствуют всюду? Те, которые воплощают большие или небольшие объемы знаний и ноу-хау? Чтобы ответить на вопрос, рассмотрим несколько примеров.

Вложенность матриц, отражающих расположение отраслей промышленности

На следующих рисунках показаны две матрицы, отражающие расположение отраслей промышленности. Каждый ряд соответствует местоположению, а каждый столбец представляет собой продукт или отрасль промышленности. На рисунке слева показаны продукты, экспортируемые каждой страной, а на рисунке справа – данные налогового резидентства чилийских фирм. Черные точки говорят об экспорте продукта по странам или о присутствии отрасли промышленности в чилийском муниципалитете. В обеих матрицах местоположения отсортированы в порядке уменьшения разнообразия, в то время как продукты и отрасли отсортированы в порядке уменьшения степени вездесущности. Тот факт, что большая часть присутствия сосредоточена в области приблизительно треугольной формы в левом верхнем углу матрицы, и представляет собой вложенность. Сплошная линия показывает разнообразие каждого местоположения. Это разнообразие соответствует количеству продуктов, экспортируемых страной, или количеству отраслей, присутствующих в муниципалитете. График разнообразия – это простая приблизительная оценка максимально возможной вложенности, которая может наблюдаться в матрице. При совершенной вложенности график разнообразия представлял бы собой практически идеальную границу между черной и белой областями.