The focus of this study is on cross-region R&D collaborations in Europe. We use data on collaborative R&D projects funded by the 5th EU Framework Programme (FP5). The objective is to identify separation effects – such as geographical or technological effects – on the constitution of cross-region collaborative R&D activities within a Poisson spatial interaction modelling framework. The results provide striking evidence that geographical factors are important determinants of cross-region collaboration intensities, but the effect of technological proximity is stronger. R&D collaborations occur most often between organizations that are located close to each other in technological space. Resumen El punto focal de este estudio son las colaboraciones interregionales de I+D en Europa. Utilizamos datos de proyectos de colaboración de I+D financiados por el 5° Programa Marco de la UE (FP5). El objetivo es identificar efectos de separación – tales como efectos geográficos o tecnológicos – en la planificación de actividades interregionales de colaboración en I+D dentro de un marco de modelización de interacción espacial de Poisson. Los resultados aportan pruebas contundentes de que los factores geográficos son determinantes importantes de las intensidades de colaboración interregionales, pero el efecto de la proximidad tecnológica tiene mayor influencia. Las colaboraciones de I+D suceden en su mayoría entre organizaciones situadas próximas unas a otras en un espacio tecnológico.

We apply a Bayesian hierarchical Poisson spatial interaction model to the paper trail left by patent citations between high-technology patents in Europe to identify and measure spatial separation effects of interregional knowledge flows. The model introduced here is novel in that it allows for spatially structured origin and destination effects for the regions. Estimation of the model is carried out within a Bayesian framework using data augmentation and Markov Chain Monte Carlo (MCMC) methods, related to recent work in Frühwirth-Schnatter and Wagner (2004 ). This allows MCMC sampling from well-known distribution families, and thus provides a substantial improvement over MCMC estimation based on Metropolis-Hastings sampling from non-standard conditional distributions. Hemos aplicado un modelo de interacción espacial de Poisson Bayesiano jerárquico a la siguiendo la pista a documentación que menciona otras patentes entre patentes de alta tecnología en Europa para identificar y medir efectos de separación espacial de flujos de conocimiento interregionales. El modelo aquí introducido es novedoso en cuanto a que admite efectos de origen y destino espacialmente estructurados para las regiones. La estimación del modelo se lleva a cabo bajo un marco Bayesiano usando métodos de aumento de datos y Monte Carlo basado en cadenas de Markov (MCMC), relacionado con investigación reciente de Frühwirth-Schnatter y Wagner (2004). Esto permite el muestreo MCMC de familias de distribución bien conocidas, proporcionando así una mejora substancial sobre estimaciones MCMC basadas en muestreo Metropolis-Hastings de distribuciones condicionales no estándar.

Scherngell T. and Hu Y. Collaborative knowledge production in China: regional evidence from a gravity model approach, Regional Studies. This study investigates collaborative knowledge production in China from a regional perspective. The objective is to illustrate spatial patterns of research collaborations between thirty-one Chinese regions, and to estimate the impact of geographical, technological, and economic factors on the variation of cross-region collaboration activities within a negative binomial gravity model framework. Data are used on Chinese scientific publications from 2007 with multiple author addresses coming from the China National Knowledge Infrastructure (CNKI) database. The results provide evidence that geographical space impedes cross-region research collaborations in China. Technological proximity matters more than geography, while economic effects only play a minor role. Scherngell T. et Hu Y. La production en collaboration de la connaissance en Chine; des preuves régionales provenant d'un modèle de gravité, Regional Studies. Cette étude examine la production en collaboration de la connaissance en Chine d'un point de vue régional. On cherche à illustrer les tendances géographiques de la recherche en collaboration pour trente et une régions chinoises et à estimer l'impact des facteurs à la fois géographiques, technologiques et économiques sur la variation des activités de collaboration interrégionales au sein d'un modèle de gravité du type binomial négatif. On emploie des données sur les publications scientifiques chinoises de 2007 dont les adresses à auteur multiples proviennent de la base de données China National Knowledge Infrastructure (CNKI). Les résultats laissent voir que l'espace géographique fait obstacle à la recherche interrégionale en collaboration en Chine. La proximité de la technologie l'emporte sur la géographie, tandis que les retombées économiques ne jouent qu'un rôle secondaire. Publication en collaboration Production de la connaissance en collaboration Modèle de gravité régional binomial négatif Régions chinoises Scherngell T. und Hu Y. Kollaborative Wissensproduktion in China: eine empirische Analyse mit räumlichen Interaktionsmodellen, Regional Studies. Die vorliegende Studie untersucht kollaborative Wissensproduktion in China aus einer regionalen Perspektive. Zielsetzung ist es, räumliche Muster kollaborativer Wissensproduktion zwischen 31 chinesischen Regionen zu beschreiben und den Einfluss von geographischen, technologischen und ökonomischen Determinanten auf die Variation interregionaler Kollaborationsaktiviäten zu messen. Die Studie verwendet neue Daten aus der China National Knowledge Infrastructure (CNKI) Datenbank über chinesische Ko-Publikationen mit mindestens zwei Autoren aus dem Jahr 2007. Die Ergebnisse zeigen, dass die Kollaborationswahrscheinlichkeit signifikant mit zunehmender geographischer Distanz abnimmt. Der Einfluss von technologischer Nähe ist jedoch wichtiger als geographische Distanzeffekte, während ökonomische Unterschiede eine geringere Rolle spielen. Ko-Publikationen Kollaborative Wissensproduktion Negatives binomiales Schwerkraftmodell Chinesische Regionen Scherngell T. y Hu Y. La producción de conocimiento colaborador en China: ejemplo regional de un modelo de gravedad, Regional Studies. En este estudio investigamos la producción de conocimiento colaborador en China desde una perspectiva regional. Nuestro objetivo es ilustrar los patrones espaciales de las colaboraciones de investigación entre treinta y una regiones de China y calcular el impacto de determinantes geográficos, tecnológicos y económicos sobre la variación de las actividades de colaboración interregional según una estructura de modelo de gravedad binomial negativa. Los datos utilizados proceden de publicaciones científicas chinas de varios autores de 2007 que proceden de la base de datos de la Infraestructura de Conocimiento Nacional de China (CNKI). Los resultados demuestran que el espacio geográfico obstaculiza las colaboraciones de investigación interregionales en China. La proximidad tecnológica importa más que la geografía mientras que los efectos económicos desempeñan solamente un papel menor. Copublicaciones Producción de conocimiento colaborador Modelo binomial negativo de gravedad regional Regiones chinas

This paper focuses on inter-organizational R&D collaborations as captured by joint research projects funded within the European Framework Programmes for Research and Technological Development (EU-FPs). We identify determinants of collaboration, including actor characteristics, relational and network effects as well as geographical effects by means of a discrete choice model. Using data on EU-FP projects from the EUPRO database and from a representative survey of participants, we produce statistically significant evidence that collaboration choices in EU-FPs are primarily facilitated by prior acquaintance, thematic proximity and geographical proximity. Also, network effects are significantly related to collaboration choice. Moreover, the study shows that the impact of geographical effects increases for more intensive collaboration. The results are promising since a deeper understanding of these collaboration processes is needed for future governance of research policies in the EU.