I presented early results of the first article of my PhD thesis at The Annual Meeting of Finnish Geographers (only in Finnish at the moment).

1. Innovaatioklustereiden syntyminen
lähelle luovan luokan asuinalueita –
spatiaalinen regressioanalyysi pääkaupunkiseudun
postinumeroalueista
MAANTIETEEN PÄIVÄT 29.10.2015 – TALOUDEN LIIKENTEEN JA
INNOVAATIOIDEN MAANTIEDE II
JUHO KIURU - TOHTORIKOULUTETTAVA, HELSINGIN YLIOPISTO

2. Ihmispääoma / luova luokka
innovatiivisen kasvun alustana
 Ihmispääoman ja innovaatioiden välinen yhteys todistettu valtioiden, maakuntien ja
kaupunkiseutujen välillä (Florida 2012, Makkonen & Inkinen 2013, 2015)
 Kaupunkiseudun sisäistä yhteyttä ei kuitenkaan ole tutkittu
 regressioanalyysi pääkaupunkiseudun postinumeroalueista
 Toisaalta muiden kuin tutkittavan alueen ihmispääoma saattaa olla merkittävämpi (Simonen &
McCann 2008)
 spatiaalinen regressioanalyysi, joka ottaa huomioon myös tutkittavan alueen naapurialueet

3. Innovaation mittareita
 Patentit, T&K menot sekä tietointensiivisten työpaikkojen määrä käytetyimpiä innovaatioiden
mittareita (esim. Doms et al. 2010, Glaeser et al. 2010, Makkonen & Inkinen 2013)
 Pääkaupunkiseudusta tehty 150m ruututarkastelu, jonka KIBS-luokittelua käytetään tässäkin
tutkimuksessa (Inkinen & Kaakinen 2015)
 Mielenkiintoinen lähestymistapahtuma tutkimuksessa oli sekä KIBS työpaikkojen suhteellisen
että absoluuttisen määrän tarkastelu
 Koottiin joukko aiemmassa tutkimuksessa käytettyjä indikaattoreita, joista tehtiin indeksit 0-100
 Tehtiin faktorianalyysi selvittämään mitkä kaikki mittaavat samaa ilmiötä
 Merkitsevän arvon faktorianalyysissa saaneista mittareista tehtiin yksi innovaatioindeksi 0-100

4. Innovaation mittareita
 Faktorianalyysi potentiaalisista
(saatavilla olevista) mittareista
 Tekes, Patentti- ja
rekisterihallitus, HSY Seutu CD
 Sekä absoluuttiset että
suhteelliset muuttujat
merkitsevät
 KIBS II suhteellinen osuus ainoa
jolla ei merkittävyyttä
 KIBS työpaikat yhteensä ja T&K
projektien määrä
merkitsevimmät indikaattorit
 Patentit yllättäen heikoin
indikaattori
Component Matrixa
Component
1 2 3
R&D Projects (Number) 0,908 -0,243 -0,120
R&D Projects (Euros) 0,879 -0,259 -0,126
KIBS I (IT) abs. 0,884 -0,139 -0,038
KIBS II (R&D, education) abs. 0,613 0,371 -0,487
KIBS III (Business services) abs. 0,867 -0,190 -0,099
KIBS I-III abs. 0,966 -0,139 -0,119
KIBS I (IT) prop. 0,672 0,068 0,313
KIBS II (R&D, education) prop. 0,095 0,827 -0,430
KIBS III (Business services) prop. 0,386 0,366 0,681
KIBS I-III prop. 0,592 0,749 0,273
PATENTS abs. 0,505 -0,131 0,315
Extraction Method: Principal Component Analysis.
a. 3 components extracted.

5. ZIP CODE NAME R&D
abs
Index
R&D
euros
Index
Patent
abs
Index
KIBS I
(IT)
abs.
Index
KIBS II
(R&D)
abs.
Index
KIBS III
(Business
services) abs.
Index
KIBS I-
III abs.
Index
KIBS I
(IT)
prop.
Index
KIBS III
(Business
services)
prop. Index
KIBS I-
III
prop.
Index
Innovation
Index
00180 Ruoholahti 71 91 44 67 86 59 83 46 45 52 100
00100 Helsinki center 100 91 11 44 59 100 100 14 35 29 90
02150 Otaniemi 74 100 44 70 26 25 55 78 30 56 86
00380 Pitäjänmäki
industrial area
28 37 12 100 60 22 70 89 22 58 77
02130 Pohjois-Tapiola 28 23 15 26 37 8 22 100 35 77 58
02600 Etelä-Leppävaara 41 42 2 48 7 33 49 53 42 51 57
00520 Itä-Pasila 4 1 0 39 100 15 38 60 26 54 52
00330 Munkkiniemi 6 4 71 17 6 7 14 78 38 61 47
00130 Kaartinkaupunki 17 12 100 7 8 27 24 12 53 39 46
00510 Etu-Vallila 29 36 2 41 27 13 32 44 16 32 42
02630 Nihtisilta 17 16 36 35 5 7 23 60 14 37 39
00120 Punavuori 22 20 0 6 36 28 26 11 57 45 39
02200 Niittykumpu 7 19 59 21 1 20 25 30 33 34 39
00210 Vattuniemi 19 28 2 16 2 17 21 39 48 48 37
00150 Eira 16 15 0 7 9 17 17 21 55 45 31
00440 Lassila 4 2 0 29 2 5 18 77 14 44 30
00530 Kallio 3 3 2 6 63 16 19 11 30 30 28
00290 Meilahti hospital
area
1 5 0 0 65 0 5 0 3 100 28
02110 Otsolahti 4 2 0 1 0 1 1 41 67 61 28
02100 Tapiola 6 2 5 6 5 18 17 18 56 44 27
Innovaatioindeksi
- Samat alueet kuin
Inkisen ja Kaakisen
tutkimuksessa
-> Jo KIBS työpaikat
kuvaavat innovatiivisuutta
hyvin, jolloin päästään
tarkastelussa tarkempaan
aluejakoon

6. Luovan luokan mittareita
 Ihmispääoma: työvoiman koulutus, tieto ja taito (Alquèzar, Sabadie & Johansen 2010)
 Luova luokka: työvoiman taito ja suvaitsevaisuus (Florida 2012)
Tietointensiivisten alojen (KIBS) ammattilaisten määrä (HSY Seutu CD)
 Kolmannen asteen tutkintojen määrä (Tilastokeskus Paavo)
 35-44 vuotiaiden määrä (Tilastokeskus Paavo)
 Opiskelijoiden määrä (Tilastokeskus Paavo)
 Äärioikeiston kannatus (Tilastokeskus StatFin)

7. Luovan luokan mittareita
------------- ---------------- -------------- --------------- -------------
Variable Coefficient Std.Error t-Statistic Probability
------------- ---------------- -------------- --------------- -------------
CONSTANT 9.730335 4.476741 2.173531 0.03113
STUDENT_ABS -0.1077043 0.09673906 -1.113348 0.26714
EXTREME_ABS -0.02286552 0.04668736 -0.4897582 0.62494
AGE_ABS1 -0.07975413 0.08561897 -0.9315006 0.35292
TERTIARY_ABS 0.3079731 0.07286185 4.226808 0.00004
IT_ABS 0.489457 0.05839591 700384,0 0.00000
FINANCE_AB1 -0.05102273 0.0781455 -0.6529196 0.51470
R_D_ABS 0.7147614 0.1109633 6.441419 0.00000
EDUCATION_1 0.1387944 0.09142242 1.518165 0.13084
ARTS_ABS -0.3622253 0.09385828 -3.859279 0.00016
------------- ---------------- -------------- --------------- -------------
- Absoluuttiset mittarit selittävät 79% alueen
innovaatiokapasiteetistä
- Spatiaalinen regressio lisää selittävyysastetta 83
prosenttiin
-------------- --------------- --------------- -------------- -------------
Variable Coefficient Std.Error t-Statistic Probability
-------------- --------------- --------------- -------------- -------------
CONSTANT -13.96532 5.742845 -2.431777 0.01607
STUDENTS_PROP 0.2092621 0.09664923 2.16517 0.03178
EXTREME_PROP 0.2048681 0.07202004 2.844599 0.00500
AGE_PROP1 0.08012276 0.06504565 1.231793 0.21974
TERTIARY_P1 -0.07096914 0.06482587 -1.094766 0.27518
IT_PROP 0.4429121 0.0684504 6.470554 0.00000
FINANCE_PROP 0.2010936 0.06771441 2.969731 0.00341
R_D_PROP 0.2347422 0.07351227 3.193238 0.00168
EDUCATION_PROP 0.01197895 0.05118321 0.2340406 0.81524
ARTS_PROP1 -0.05310661 0.04723472 -1.124313 0.26247
-------------- --------------- --------------- -------------- -------------
- Suhteelliset mittarit selittävät 48% alueen
innovaatiokapasiteetistä
- Spatiaalinen regressio lisää selittävyysastetta 51
prosenttiin

8. Luovan luokan mittareita
 Alueen innovaatiokapasiteettia selittävät alueen ja naapurialueiden
I. opiskelijoiden suhteellinen määrä,
II. äärioikeiston äänien suht. määrä,
III. kolmannen asteen tutkintojen abs. määrä,
IV. IT-ammattilaisten abs. ja suht. määrä,
V. rahoitus- ja vakuutustoiminnan alan ammattilaisten suht. määrä,
VI. tieteen ja tekniikan ammattilaisten abs. ja suht. määrä
 Sen sijaan taiteilijoiden absoluuttinen määrä korreloi negatiivisesti innovatiivisuuden kanssa
 35-44-vuotiaiden abs. eikä suht. määrä korreloi innovatiivisuden kanssa

9. Zip Code City Name STUDENTS
PROP
EXTREME
PROP
TERTIARY
ABS
IT
ABS
IT
PROP
FINANCE
PROP
RD
ABS
RD
PROP
Human Capital
Index
00100 HELSINKI Helsinki Center 19 96 100 100 20 32 100 29 100
02150 ESPOO Otaniemi 100 91 9 58 29 1 61 45 80
00180 HELSINKI Ruoholahti 21 84 48 70 33 19 62 42 77
00240 HELSINKI Länsi-Pasila 22 74 15 93 69 18 11 12 63
00510 HELSINKI Etu-Vallila 17 80 25 44 31 83 15 16 63
00150 HELSINKI Eira 16 94 50 25 45 2 19 50 61
00210 HELSINKI Vattuniemi 11 88 37 21 45 6 19 57 57
00380 HELSINKI Pitäjänmäki
industrial area
19 71 11 92 54 12 12 10 57
00500 HELSINKI Sörnäinen 18 82 38 12 15 100 4 7 56
00120 HELSINKI Punavuori 16 95 38 22 21 26 24 33 55
02600 ESPOO Etelä-
Leppävaara
20 58 33 47 35 8 33 35 55
02130 ESPOO Pohjois-Tapiola 22 79 34 26 63 0 10 36 54
00300 HELSINKI Pikku
Huopalahti
20 72 19 11 22 53 17 49 53
00440 HELSINKI Lassila 20 69 12 30 57 46 4 12 50
02100 ESPOO Tapiola 17 88 20 5 8 93 3 7 49
00130 HELSINKI Kaartinkaupunki 19 100 9 13 11 24 28 33 48
02200 ESPOO Niittykumpu 18 75 41 22 21 19 16 22 47
00330 HELSINKI Munkkiniemi 19 93 45 12 37 3 4 18 47
00540 HELSINKI Kalasatama 58 90 1 0 12 0 2 67 46
00200 HELSINKI Lauttasaari 17 92 75 1 4 4 5 30 46
00590 HELSINKI Kaitalahti 18 77 2 0 31 0 0 100 46
00140 HELSINKI Kaivopuisto 18 99 45 6 22 2 5 31 46
00520 HELSINKI Itä-Pasila 19 73 19 37 28 2 21 23 45
00530 HELSINKI Kallio 18 82 69 11 7 6 16 14 45
00340 HELSINKI Kuusisaari-
Lehtisaari
27 95 10 1 44 10 1 33 45
02160 ESPOO Westend 21 90 19 1 12 6 3 57 42
Luovan luokan indeksi

10. ”Alisuorittavat”
alueet
Area Zip
Code
Municipality Innovation
Index
Prop.
Predicted
Prop. Residual
Jätkäsaari 00220 Helsinki 1,5 29,3 -31,6
Kaitalahti 00590 Helsinki 7,9 38,6 -29,1
Kulosaari 00570 Helsinki 4,1 33,5 -27,2
Pikku Huopalahti 00300 Helsinki 10,1 36,5 -26,5
Länsi-Pasila 00240 Helsinki 17,5 40,0 -22,9
Martinlaakso
industrial area
01770 Vantaa 17,5 39,7 -22,8
Kuusisaari-Lehtisaari 00340 Helsinki 20,2 35,1 -19,4
Sörnäinen 00500 Helsinki 19,1 36,7 -17,6
Laajalahti-Friisinmäki 02140 Espoo 10,7 20,9 -14,7
Jokiniemi 01370 Vantaa 2,9 16,4 -13,9
Kaivopuisto 00140 Helsinki 12,4 25,0 -13,1
Pajamäki 00360 Helsinki 20,4 28,0 -11,6
Otsolahti 02110 Espoo 27,7 33,6 -10,4
Lassila 00440 Helsinki 30,2 40,1 -9,3
Lintuvaara 02660 Espoo 7,0 15,3 -9,0
Puolarmetsä 02280 Espoo 5,4 13,9 -8,2
Eira 00150 Helsinki 31,3 40,3 -8,1
Kruununhaka 00170 Helsinki 11,7 17,4 -8,0
Koskela-Helsinki 00600 Helsinki 2,1 9,5 -7,1
Lauttasaari 00200 Helsinki 15,4 18,2 -7,0
Area Zip
Code
Municipality Innovation
Index
Abs.
Predicted
Abs.
Residual
Länsi-Pasila 00240 Helsinki 17,5 48,9 -31,1
Jätkäsaari 00220 Helsinki 1,5 19,5 -17,1
Pikku Huopalahti 00300 Helsinki 10,1 26,5 -17,0
Lauttasaari 00200 Helsinki 15,4 25,0 -10,2
Laajalahti-
Friisinmäki
02140 Espoo 10,7 19,1 -9,9
Mankkaa 02180 Espoo 7,4 15,3 -9,7
Eira 00150 Helsinki 31,3 41,1 -8,3
Kaivopuisto 00140 Helsinki 12,4 21,2 -8,2
Kulosaari 00570 Helsinki 4,1 10,9 -7,6
Kilo 02610 Espoo 5,7 11,5 -7,4
Kivihaka 00310 Helsinki 1,3 11,7 -7,0
Koskela-Helsinki 00600 Helsinki 2,1 8,7 -6,7
Jokiniemi 01370 Vantaa 2,9 9,3 -6,3
Kruununhaka 00170 Helsinki 11,7 16,9 -5,5

11. ”Alisuorittavat” alueet

12. Johtopäätökset – kansainvälinen
konteksti
 Innovaatiota, ihmispääomaa ja näiden välistä yhteyttä mitattaessa tarvitaan sekä absoluuttisia
että suhteellisia mittareita
 35-44-vuotiaiden määrä ainut testatuista mittareista, joka ei korreloi innovatiivisuuden kanssa
 Uutena keskusteluun nostettu äärioikeiston suosio näyttäisi toimivan suvaitsevaisuuden
indikaattorina
 Absoluuttiset luovan luokan mittarit selittävät jopa 79 % alueen innovatiivisuudesta
 Kun tarkastellaan myös naapurialueiden ihmispääomaa, selitysaste nousee 83 prosenttiin

13. Johtopäätökset – paikallinen konteksti
 Rakenteilla olevien Jätkäsaaren, Pasilan, Kruunuvuorenrannan, Jokiniemen, Keran ja Mankkaan
potentiaalinen vetovoima jo nykyisen ihmispääoman suhteen erinomainen
 Kantakaupungin etelä- ja pohjoisosassa potentiaaliset innovatiivisen kasvun vyöhykkeet
 myös kantakaupungin laajentamisella bulevardisoimalla kysyntää
 Pelkästään suhteellisen tai absoluuttisen ihmispääoman suhteen potentiaalisia innovatiivisen
kasvun alueita Keski-Espoossa ja Pohjois-Helsingissä/Etelä-Vantaalla