Snelgroeiende KMOs in Vlaanderen: Ruimtelijke, sectoriële en ondernemings-specifieke determinanten

Transcriptie

1 STEUNPUNT ONDERNEMEN EN REGIONALE ECONOMIE NAAMSESTRAAT 61 BUS 3550 BE-3000 LEUVEN TEL FAX store@kuleuven.be Beleidsrapport STORE-B Snelgroeiende KMOs in Vlaanderen: Ruimtelijke, sectoriële en ondernemings-specifieke determinanten MICHELINE GOEDHUYS a,b,c LEO SLEUWAEGEN a,b,c a Steunpunt Ondernemen & Regionale Economie (STORE) b Bedrijfskunde, Strategie en Innovatie (MSI), Faculteit Economie en Bedrijfswetenschappen, KU Leuven c Vlerick Business School 30 SEPTEMBER 2013

2 Snelgroeiende KMOs in Vlaanderen: Ruimtelijke, sectoriële en ondernemings-specifieke determinanten Micheline Goedhuys Leo Sleuwaegen 1. Inleiding Recent onderzoek toont aan dat het leeuwendeel van de tewerkstellingscreatie in hoogontwikkelde landen tot stand komt door een kleine groep van snelgroeiende ondernemingen (Henrekson en Johansson, 2010; Falkenhall en Junkka, 2009, Almus, 2002, Daunfeldt, et al, 2010, Schreyer, 2000). Bovendien hebben SGO een systematisch effect hebben op regionale tewerkstelling dat beduidend groter is dan de tewerkstelling die ze zelf creëren (Anyadike-Danes et al., 2009) en zorgen zij voor een positief productiviteitseffect op de ganse regionale economie (Autio, 2007). Dit gebeurt voornamelijk door een reallocatie van de middelen van zwakkere ondernemingen naar sterke groeiers, een proces van creatieve destructie, waardoor een positieve dynamiek ontstaat. SGO dragen ook significant bij tot regionale innovatie. Zij vergemakkelijken innovatie in de economie door de ontwikkeling van nieuwe technologieën en producten te versnellen. Beleidsmakers en onderzoekers hebben de laatste jaren steeds meer aandacht voor SGO en hun belang voor de economie. Ze zijn in het bijzonder geïnteresseerd om de voorwaarden te kennen waaronder ondernemingen een snellere groei kunnen realiseren. Onderzoek in dit domein is de laatste tien jaar in opgang (Audretsch, 2002; Delmar et al., 2003; Autio, 2007; Acs en Mueller, 2008, Acs et al., 2008; Henrekson, Johansson, 2009, 2010; Hölzl, 2009; Coad en Rao, 2008, Goedhuys en Sleuwaegen, 2010). Volgens Henrekson en Johansson (2010, p.230) is het aantal studies over SGO echter nog verrassend laag. Methodologische problemen, het gebruik van verschillende definities voor SGO en een gebrek aan internationaal vergelijkbare data zijn er tevens de oorzaak van dat vergelijkende studies tussen landen lang op zich hebben laten wachten, wat een meer geïntegreerde visie over bestaan, belang en kenmerken van SGO bemoeilijkt. Bovendien is de kennis aangaande SGO verdeeld en blijven een aantal hardnekkige misverstanden over groei van ondernemingen overeind. Zo bestaat de opvatting dat SGO enkel voorkomen in bepaalde sectoren, zoals in groeisectoren of in hoogtechnologische sectoren van 2

3 de economie. Volgens Horn en Plaesance (2012) is er echter geen enkele sector in de VS die meer dan 5% SGOs heeft, en zeer weinig sectoren hebben minder dan 1% SGOs. Hetzelfde resultaat vindt men voor de UK (Anyadike-Danes et al., 2009), In deze studie worden de empirische determinanten van SGO voor Vlaanderen in kaart gebracht. We starten in deel 2 met een literatuuroverzicht betreffende de determinanten van snelgroeiende ondernemingen, en formuleren vervolgens enkele toetsbare hypothesen betreffende het voorkomen van SGO in Vlaanderen en Brussel. Vervolgens beschrijven we in deel 3 de data voor Vlaanderen en Brussel die we gebruiken. In deel 4 stellen we het empirische model voor. Deel 5 bespreekt de resultaten. We sluiten af met enkele conclusies en beleidsaanbevelingen. 2. Welke factoren bepalen het voorkomen van SGO? De relevante literatuur vermeldt enkele belangrijke ondernemings-specifieke eigenschappen die de groei en snelle groei van ondernemingen bepalen. Daarnaast zijn er tevens argumenten die kunnen wijzen in de richting van belangrijke regionale en sectoriële verschillen in het voorkomen van SGO. Vanuit de argumenten en bevindingen betreffende de ondernemingsspecifieke, sectoriële en regionale determinanten en rekening houdende met de beschikbare data formuleren we vervolgens verschillende toetsbare hypothesen betreffende het voorkomen van SGO in Vlaanderen en Brussel. 2.1 Ondernemings-specifieke determinanten Uit eerdere studies blijkt dat in de groep van SGO disproportioneel veel jonge ondernemingen aangetroffen worden; 76% van de SGO in de VS zijn jonger dan 5 jaar (Horn en Plaesance, 2012). Gegevens van de VS tonen ook aan dat 20% van de jobs gecreëerd worden in ondernemingen jonger dan 5 jaar (Horn en Plaesance, 2012). Dit hoeft niet te verwonderen, aangezien er zowel theoretische als empirische argumenten kunnen verklaren waarom jonge en kleine ondernemingen sneller groeien dan oudere ondernemingen (zie Coad, 2009 voor een overzicht van deze studies). Jonge succesvolle ondernemingen zijn tijdens de eerste jaren na hun start betrokken in een leerproces, waar ze via confrontatie met de markt feedback krijgen en groeistimulansen om de omvang te bereiken die overeen komt met hun efficiëntieniveau (Jovanovic, 1982). Dit is een leerproces dat zich sterker manifesteert in de eerste jaren, en minder wanneer de onderneming een zekere maturiteit heeft bereikt, wat de hogere 3

4 groeiprestaties van jonge en kleinschalige ondernemingen verklaart. Ervan uitgaand dat dit ook zo voor Vlaanderen is, stellen we: Hypothese 1: De waarschijnlijkheid dat een onderneming een SGO is, is hoger voor jonge en kleine ondernemingen SGO zijn veelal innovatieve en kennisintensieve ondernemingen. Zij komen vaak met nieuwe producten of technologieën op de markt. Hoewel dit een factor is die positief kan inwerken op de gemiddelde groei van ondernemingen, zijn er toch aanwijzingen dat het vooral een versterkend effect heeft op de snelste groeiers. Coad en Rao (2008) en Goedhuys en Sleuwaegen (2010) stelden een positief effect vast van innovatie voor SGOs, meer dan voor de gemiddelde ondernemingen. Czarnitzki en Delanote (2012) vonden dat Young Innovative Companies sneller groeien dan andere ondernemingen in Vlaanderen. Empirische bevindingen over een veralgemeende relatie tussen innovatie en gemiddelde groei zijn echter verdeeld. Er verloopt een bepaalde tijd voor nieuwe producten en processen resulteren in ondernemingsgroei, wat het vinden van een sterk verband tussen beide bemoeilijkt. Toch wordt productinnovatie veelal positief bevonden voor omzetgroei (Geroski en Toker 1996, Roper 1997, Freel 2000). Productinnovatie heeft meestal een gunstig effect op tewerkstelling (Harrison, et al., 2005; Benavente en Lauterbach 2008; Calvo 2006). Voor procesinnovatie is dit niet bevestigd, omdat dit laatste vaak een arbeidsbesparende component heeft. Czarnitzki en Delanote (2012) vonden dat uitgerekend de combinatie van drie criteria - jonge leeftijd, kleine omvang en innovativiteit, de criteria voor Young Innovative Companies - een extra groei genereerde voor Vlaamse bedrijven in de industrie en commerciële diensten, bovenop de positieve effecten van de drie criteria apart. Hypothese 2: De waarschijnlijkheid dat een onderneming een SGO is, is hoger voor innovatieve ondernemingen Niet alle ondernemingen hebben de intentie en capaciteiten om te groeien. SGOs worden dan ook vaak in verband gebracht met de persoonlijkheidskenmerken en opleidingsniveau van de ondernemer en de werknemers. Er is overtuigende empirische ondersteuning voor de stelling dat de groei-ambities van de eigenaar-manager, en het competentie-niveau van de werknemers een directe invloed uitoefenen op de groeiprestaties van ondernemingen (Baum & Locke, 2004; Delmar & Wiklund, 2003; Wiklund & Shepherd, 2003 Hessels et al., 2008; Stam et al. 2012) Arrighetti en Lasagni (2013) vonden het opleidingsniveau van de werknemers een belangrijke ondernemings-specifieke determinant voor het voorkomen van SGO in Italië. 4

5 Hypothese 3: De waarschijnlijkheid dat een onderneming een SGO is, is hoger voor ondernemingen met hoogopgeleide werknemers. 2.2 Sectoriële determinanten Sommige studies tonen aan dat de groeikansen van ondernemingen worden beïnvloed door het groeipotentieel van de sector waarin de onderneming actief is (Wiklund en Shepherd, 2003). De evolutie en omvang van de vraag, zowel op de thuismarkt (Davidsson 1991) als de buitenlandse vraag en de verwachtingen van ondernemers op dat gebied (Reitan, 1997) bepalen de opportuniteiten voor groei-ondernemerschap. In die zin wordt een Finse studie de sterke aanwezigheid van SGOs in de dienstensectoren voor gezondheid en maatschappelijke zorg toegeschreven aan de sterke trend van het uitbesteden van huishoudelijk werk (domestic outsourcing) (Deschryvere, 2008). Ook in andere landen treft men een lichtjes grotere aanwezigheid van SGOs in bepaalde dienstensectoren, die een sterke groei kennen (eg Anyadike-Danes et al., 2009 voor de UK, OECD 2012). Ook in Vlaanderen, als mature industriële economie, zijn er meer behoeften en groeiopportuniteiten in de dienstensectoren dan in de verwerkende nijverheid. Hypothese 4: De waarschijnlijkheid dat SGO voorkomen is hoger in dienstensectoren dan in de verwerkende nijverheid Gepaarde gaande daarmee, speelt ook de marktstructuur en graad van concurrentie een rol. Er zijn zowel theoretische argumenten (Sutton, 1998; Bottazzi en Secchi, 2006) als empirische bevindingen dat de groei van een onderneming negatief beïnvloed wordt door de groei van haar concurrenten (Coad en Teruel-Carrizosa, 2010) en door toetreding van nieuwe ondernemingen of de dreiging ervan (Bergman en Rudholm, 2003). In empirische studies wordt concurrentie op verschillende manieren gemeten. Soms gebruikt men survey data waarin managers gevraagd wordt hun perceptie van concurrentie mee te delen (vb. Nickell, 1996). Daaruit blijkt dat ondernemers van kleine ondernemingen concurrentie vaak als groeibelemmerend ondervinden (bvb. Hay en Kamshad (1994) voor de UK, Robson en Obeng, 2008). Hypothese 5: De waarschijnlijkheid dat SGO voorkomen is lager in sectoren waar sterke concurrentie aanwezig is. In kleine open economieën, zoals deze van Vlaanderen, is de concurrentie niet louter lokaal, maar in belangrijke mate internationaal. De impact van deze internationale concurrentie wordt 5

6 typisch gemeten via de openheid van de sector of de importpenetratie in de sector (bvb. Haskel et al. 2007; Kato en Honjo, 2009). Dit leidt tot de onderstaande hypothese: Hypothese 6: De waarschijnlijkheid dat SGO voorkomen is hoger in open sectoren gekenmerkt door een hoge export- en importintensiteit Sectoren zijn ook erg verschillend wat het technologisch regime en de kennisintensiteit binnen de sector betreft. Een Duitse studie vindt echter dat noch de fase in de levenscyclus van de bedrijfstak (Wyrwich, 2010), noch de technologische intensiteit een doorslaggevende invloed heeft op de snellere groei van ondernemingen in Duitsland (Almus, 2002). Andere studies vinden evenwel dat in sectoren met een hoge kennisintensiteit en belangrijke technologische opportuniteiten, marktniches voorkomen waarin innovatieve ondernemingen snel kunnen doorgroeien (Stam en Wennberg, 2009). Aansluitend bij deze laatste visie, stellen wij de volgende hypothese: Hypothese 7: De waarschijnlijkheid dat SGO voorkomen is hoger in hoog-technologische en kennisintensieve sectoren Theoretisch luidt verder ook het argument dat ondernemingen, om efficiënt te kunnen produceren, een bepaalde (minimale of kritische) omvang moeten bereikt hebben; de zogenaamde Minimum Efficient Scale (MES). Indien een onderneming kleiner is dan de MES, heeft zij een schaalnadeel ten opzichte van haar (grotere) concurrenten, en dus heeft zij tegelijkertijd een sterke motivatie om snel te groeien om deze MES snel te bereiken (Caves, 1998). De omvang van de MES is sector-gebonden en wordt bepaald door het technologische regime in kwestie. Het bestaan van schaalvoordelen door complexere technologieën en grotere kapitaalinvesteringen vergroten de MES, waardoor jonge ondernemingen met potentieel die toetreden in zulke sectoren geneigd zullen zijn tot snellere groei (Audretsch, 1995; Brixy en Kohaut, 1999). Conform dit denkkader argumenteert Teruel-Carrizosa (2010) dat de MES in de industrie groter is dan in dienstensectoren, waardoor de prikkels om te groeien sterker aanwezig zijn en convergentie naar de MES een relatief snellere groei vereist. Hypothese 8: De waarschijnlijkheid dat SGO voorkomen is hoger in sectoren gekenmerkt door een grote MES. 2.2 Ruimtelijke determinanten 6

7 Naast de sectoriële determinanten zijn er een aantal regionaal of nationaal gebonden factoren die de aanwezigheid van SGOs stimuleren of afremmen. In deze context wordt vaak verwezen naar het institutionele kader, met inbegrip van de arbeidsreglementering die van land tot land sterk kan verschillen en de administratieve druk (Djankov et al., 2002; Henrekson, Johansson, 2009). Verregaande bescherming van werknemers verhoogt de opportuniteitskost voor ondernemerschap, waardoor talentvolle mensen voor een werknemersstatuut kiezen, in plaats van ondernemerschap (Teruel en de Wit, 2011). Ook worden ondernemingen afgeschrikt om bijkomende personeelsleden te rekruteren, indien een strikte arbeidsreglementering verhindert deze te laten afvloeien bij tegenvallende resultaten (Henrekson, 2007). Ook de aanwezigheid van de nodige financiële en infrastructurele middelen voor groeiondernemerschap (Moreno en Casillas, 2007; Bosma et al., 2009) bepalen het voorkomen van SGO in een regio. Gebrek aan externe financiering is een belangrijke groeibelemmering voor ondernemingen (Demirgüç-Kunt en Maksimovic, 1998; Becchetti, Trovato, 2002; Beck, 2009, Lopez-Garcia, Puente, 2012). Deze veelal nationaal gebonden factoren kunnen we moeilijk toetsen met ons onderzoeksopzet, waarbij de focus ligt op een regio Vlaanderen, waar institutionele verschillen minder uitgesproken zijn tussen de subregio s. Een onderzoek dat peilt naar verschillende tussen landen en diverse regio s zou hiervoor meer geschikt zijn. In ieder geval willen wij toetsen of er brede subregionale verschillen zijn mbt. het voorkomen van SGO via het invoeren en toetsen van de effecten uitgaande van wisselvariabelen voor de provincies. Naast de institutionele omgeving, zijn er bijzondere locatie-gebonden regionale factoren die sterker variëren tussen de subregio s. Zo vonden Hoogstra en van Dijk (2004) dat bevolkingsdichtheid, bevolkings- en tewerkstellingsgroei, regionale specialisatie, het bestaan van clusters en industriezones en mobiliteit en toegankelijkheid van een regio mee de groei van ondernemingen in Nederland bepalen, maar hun belang hangt af van de sector waarin de onderneming actief is. Een onderneming, die zich vestigt in de nabijheid van andere ondernemingen met gelijkaardige of gerelateerde activiteit, kan agglomeratievoordelen benutten. Agglomeratievoordelen combineren netwerkeffecten met schaalvoordelen voor de hele cluster van ondernemingen. Door het groeperen of clusteren van ondernemingen met de zelfde activiteit in een geografische regio, kunnen ondernemingen efficiënter werken omdat ze meer gespecialiseerde leveranciers en arbeidskrachten aantrekken en ideeën en informatie onder de vorm van spillovers snel verspreid worden (Krugman, 1991). In de literatuur is er echter geen eenduidigheid of de spillover-voordelen eerder voortspruiten uit Marshalliaanse specialisatie dan wel uit Jacobiaanse diversificatie (Beaudry en Schiffauerova, 2009). De eerste thesis stelt dat kennis vooral eigen is aan de bedrijfstak (Marshall, 1890, Arrow, 1962, Romer 1986 en anderen), zodat technologische kennis spillovers vooral tussen gelijkaardige ondernemingen binnen dezelfde bedrijfstak plaatsvinden. Gespecialiseerde clusters binnen eenzelfde bedrijfstak zouden daardoor meer voordelen bieden. Goesaert en Reynaerts (2012) vonden Marshalliaanse spillovers of schaalvoordelen uit agglomeratie van economische 7

8 activiteit bepalend voor het starten van nieuwe ondernemingen in de industrie in Vlaanderen. De diversificatie-thesis daarentegen stelt dat kennis in één bedrijfstak ook nuttig kan zijn voor andere complementaire bedrijfstakken, en spillovers over de verschillende bedrijfstakken heen determinerend zijn (Jacobs, 1969). Daardoor zijn gediversifieerde clusters innovatiever. Hypothese 9: De waarschijnlijkheid dat SGO voorkomen is hoger in deelregio s met hoge sectoriële specialisatie (Marshalliaanse voordelen) Hypothese 10:De waarschijnlijkheid dat SGO voorkomen is hoger in deelregio s gekenmerkt door een belangrijke diversificatie van activiteiten (Jacobiaanse voordelen) 3. SGO in Vlaanderen 3.1 Definitie en data In de literatuur worden snelgroeiende ondernemingen op verscheidene manieren gedefinieerd. Delmar et al. (2003, pp ) geven hiervan een overzicht en tonen aan dat bestaande studies verschillen in hun definiëring van SGOs op basis van de keuze van groei-indicator (tewerkstelling, marktaandeel, output, winst, toegevoegde waarde of omzet); de groeimeting, in relatieve termen (een groeivoet of percentage) of in absolute termen (absolute toename in bv. tewerkstelling); de keuze van de periode waarover groei bekeken wordt (jaarlijkse groei versus groei tussen een begin- en eindjaar) en dergelijke meer. De laatste jaren wordt steeds meer gebruik gemaakt van de OECD (2007) definitie, die een concrete keuze maakt in de bovenstaande criteria. De OECD definitie van SGOs stelt volgende criteria: - een gemiddelde jaarlijkse groei van 20% of meer, over een periode van 3 jaar; - minstens 10 werknemers bij het begin van de periode; Groei wordt gemeten in termen van tewerkstelling of omzet. De voorwaarde dat ondernemingen de kritische drempel van 10 werknemers moeten hebben bij de start van de meting is een voorwaarde die is ingevoerd omdat de kleinste ondernemingen soms extreem hoge groeivoeten noteren voor een toch geringe absolute toename in omvang. Op deze wijze ontstaat een scheeftrekking in de verdeling van de groeivoeten en kan het foute beeld ontstaan dat de kleinste ondernemingen de meest drijvende kracht zijn van de economie. De voorwaarde van min. 10 werknemers blijft behouden ook indien men groei meet aan de hand van omzet. Zo 8

9 kan men blijven werken met dezelfde steekproef, en groeiprestaties aangaande tewerkstelling en omzet vergelijken op basis van dezelfde selectie van ondernemingen. Wanneer deze ondernemingen bovendien nog jong zijn, d.w.z. maximaal 5 jaar oud, wordt ook de term Gazelle gehanteerd. In de praktijk betekent dit dat de ondernemingen 4 of 5 jaar oud zijn, omdat nog jongere ondernemingen het criterium van 20% groei gedurende 3 jaar, niet kunnen halen. Bovenstaande definitie maakt geen onderscheid tussen zogenaamde organische of interne groei en groei door overname van bestaande ondernemingen. Dit is een methodologisch probleem dat in vele studies over SGOs opduikt en deze studie is daarop geen uitzondering. Deze beperkingen indachtig zullen we in wat volgt de OECD definitie gebruiken om de empirische determinanten te schetsen van het bestaan van SGOs in Vlaanderen en Brussel. We gebruiken hiervoor de gegevens uit de BELFIRST databank. Alle ondernemingen die in de periode rapporteerden en waarvan de hoofdzetel zich in het Vlaams Gewest of Brussels Hoofdstedelijk Gewest bevindt, zijn in eerste instantie in de dataset opgenomen. Brussel werd aan de dataset toegevoegd omdat heel wat bedrijven die hun hoofdactiviteit in Vlaanderen hebben, maar om administratieve redenen in Brussel hun hoofdzetel hebben en aldus als Brusselse onderneming in de data opgenomen zijn. Er werd volledigheidshalve getracht alle sectoren en typen van ondernemingen in de dataset op te nemen, inclusief de dienstensector die een steeds groter belang krijgt in de economie. Binnen deze populatie is een veelheid aan ondernemingen te vinden, met een grote verscheidenheid aan rechtsvormen. Zo zijn er bij voorbeeld ook organisaties actief in de niet-commerciële dienstverlening, vaak zonder winstoogmerk en met de daarbij horende rechtsvormen, zoals de Vzw s. Deze treft men vaak aan in de quartaire sector, of de sector van de niet-commerciële dienstverlening, maar ook in andere sectoren. De quartaire sector omvat activiteiten en diensten die vooral gericht zijn op het welzijn van de burger, maar de diensten faciliteren ook het functioneren van de marktsector. Openbaar bestuur, defensie, sociale zekerheid, maar ook onderwijs, gezondheidszorg, kunst en cultuur, horen er thuis. Vele van deze diensten zijn geheel of gedeeltelijk door de overheid gesubsidieerd. Omdat deze groep van organisaties belangrijk zijn in termen tewerkstelling, en binnen elke sector vaak ook geflankeerd worden door commerciële ondernemingen, werd gekozen om geen sectoren of rechtsvormen uit te sluiten. De quartaire sector bevat immers ook verscheidene commerciële organisaties, actief in domeinen zoals particulier onderwijs, private zorg, entertainment en dergelijke. Indien we deze sectoren uitsluiten, worden op arbitraire wijze ook commerciële ondernemingen uit de data gelicht, en dit in sectoren van toenemend belang in onze economie. We houden echter wel in gedachte dat de meeste ondernemingen in deze sectoren in een ander concurrentieel regime 9

10 opereren. Door de aard van hun activiteiten kennen deze ondernemingen een eigen dynamiek en volgen zij niet direct de logica van de markt. Verder wordt uit dit grote bestand van ondernemingen wel een selectie gemaakt van ondernemingen volgens omvang en leeftijd. De OECD definitie stelt immers bepaalde criteria van omvang en leeftijd aan de ondernemingen, die wij dan ook voor de controlegroep zo correct mogelijk toepassen. Enkel die ondernemingen zijn weerhouden die in 2008 een gemiddelde tewerkstelling van 10 of meer personeelsleden rapporteerden. De ondernemingen die weerhouden zijn, zijn allemaal minimum drie jaar actief. Deze selectie genereerde een totaal van ondernemingen voor Vlaanderen en Brussel, doch door ontbrekende waarden voor sommige variabelen kan voor bepaalde geschatte modellen de steekproef kleiner zijn. Daarnaast werden ook sector-brede gegevens opgehaald. De productiecijfers per sector die werden gebruikt, zijn statistieken gepubliceerd door de Nationale Bank van België (Belgostat online, Economische activiteit). Ook de import- en exportdata van de industriële sectoren (NACE-BEL 2008, 2 cijfers: 1-39, 58, 90, 91) werden uit deze bron gehaald. Voor import- en exportcijfers van de dienstensectoren werd beroep gedaan op cijfers gepubliceerd door het International Trade Centre (Trade in Services Statistics). 4. Empirisch model We toetsen de hypothesen in afdeling 2 aan de hand van een probit model. Het model relateert de waarschijnlijkheid dat een onderneming een SGO is aan ondernemingseigen, ruimtelijke en sectoriële kenmerken via de volgende equatie: Pr (SGO i =1) = f (Xi, Ii, Li, Ci) In deze equatie is X i een vector van ondernemings-specifieke kenmerken; I i en Li zijn vectoren van respectievelijk sector- en ruimtelijke indicatoren; C i zijn controlevariabelen. Door het nietlineaire karakter van het model worden interactieve effecten tussen de verschillende variabelen in rekening gebracht. De belangrijkste ondernemings-specifieke kenmerken zijn vooreerst ondernemingsgrootte en - leeftijd, zoals aangewezen in de literatuur. De ondernemingsgrootte is gemeten door tewerkstelling bij het begin van de periode, in Zowel ondernemingsgrootte als -leeftijd zijn logaritmisch gemeten. Tevens worden de innovatie-inspanningen die de onderneming heeft ondernomen als variabele opgenomen, gemeten aan de hand van de totale onderzoekstuitgaven over de laatste 5 jaar, logaritmisch gemeten. Ook het opleidingsniveau 10

11 van de werknemers is opgenomen in de analyse. Er zijn gegevens beschikbaar over het opleidingsniveau van het werknemersbestand, met aantallen werknemers in de categorieën basisonderwijs, secundair onderwijs, hoger niet-universitair onderwijs en universitair onderwijs. Aan het aandeel van elke opleidingsgroep binnen het totale werknemersbestand werd berekend en aan elke groep werd een verschillend gewicht gegeven, van 1 (basisonderwijs) tot 4 (universitair), hetgeen na optelling en normalisering een indicatie geeft van gemiddeld opleidingsniveau. Doch, omdat de invloed van opleidingsniveau op ondernemingsgroei vaak moeilijk te vatten is, en het effect soms loopt via één of enkele personen zoals de ondernemer, hebben we tevens andere indicatoren ontwikkeld, die het opleidingsniveau van de hoogst opgeleide in de onderneming weergeven. Over het opleidingsniveau van de ondernemer zelf, ambitie en socio-economische en psychologische kenmerken zijn helaas geen gegevens voorhanden. De set van sectorvariabelen bevat in eerste plaats een reeks wisselvariabelen (dummies) voor de verschillende sectoren, in de analyse meestal op aggregatie-niveau van NACE BEL 2008 sectie of NACE BEL cijfers. Om de druk van concurrentie binnen sectoren te meten werd de openheid van de sector berekend. Openheid is de mate waarin de sector op internationale markten actief is, en wordt gemeten als de som van export en import, uitgedrukt ten aanzien van de productie in de sector. Ook de concentratiegraad geeft een indicatie van de concurrentie tussen rivaliserende ondernemingen. De C4 indicator meet het gezamenlijke marktaandeel van de 4 grootste ondernemingen in de sector. Bij sterkere concentratie kan men een minder hevige concurrentiestrijd tussen rivalen verwachten. Om kennisintensiteit en technologische complexiteit van de sector in de analyse mee te nemen, werden 6 wisselvariabelen gedefinieerd, die de Eurostat-classificatie van sectoren volgens technologieintensiteit (industrie) en kennisintensiteit (diensten) weergeven. Om de hypothese aangaande de MES te testen, wordt de mediaan van tewerkstelling per sector als indicator toegevoegd. De ruimtelijke variabelen zijn vooreerst een reeks binaire variabelen per provincie. Regionale specialisatie en diversificatie en het bestaan van geografische clusters, zijn variabelen die de ruimtelijke en sectorale dimensies combineren. Regionale specialisatie wordt gemeten door een variant van de Balassa index, namelijk de verhouding van het aandeel van een sector in de ondernemingspopulatie van een regio (hier arrondissement) tot het aandeel van dezelfde sector in de Vlaamse populatie van ondernemingen 1. Waarden groter dan 1 duiden op specialisatie. Effecten van diversificatie worden benaderd door het totaal aantal ondernemingen actief in een 1 De specialisatie index S is S = (X n,r /X r )/( (X n /X) waarbij X n,r het aantal ondernemingen is in sector n in regio r; X r het aantal ondernemingen in regio r (alle sectoren samen); X n het aantal ondernemingen is in sector n (alle regio s samen, hier Vlaanderen) en X de totaal aantal ondernemingen (in alle sectoren in Vlaanderen). 11

12 andere sector in hetzelfde arrondissement, beide in logaritmische schaal gemeten. Tabel 1 geeft een overzicht van de gebruikte variabelen, hun definiëring en gemiddelde waarden. Tabel 1 Definitie van variabelen Variabelen Definitie Gemidde lde waarde SGO =1 indien de onderneming een SGO is in 2011 volgens de definitie van OECD(2007), tewerkstellingscriterium.032 Tewerkstelling Tewerkstelling in 2008, in log Leeftijd Leeftijd van de onderneming in 2011, in log O&O-Uitgaven O&O-uitgaven over de periode , cumulatief, in log Opleiding- Gemid. Opleiding-Sec Opleiding- Hoger Gemiddeld opleidingsniveau van de werknemers= aandeel, in totale tewerkstelling, van werknemers met basisonderwijs+ (2*aandeel werknemers met secundair)+ (3*aandeel werknemers hoger niet-univ. onderwijs)+ (4*aandeel werknemers universitair onderwijs); genormaliseerd =1 indien hoogst opgeleide in de onderneming secundair onderwijs heeft genoten =1 indien hoogst opgeleide hoger niet-universitair onderwijs heeft genoten Opleiding-Univ =1 indien hoogst opgeleide universitair onderwijs heeft genoten.299 Antwerpen =1 indien onderneming actief is in provincie Antwerpen.250 O-Vlaanderen =1 indien onderneming actief is in provincie Oost Vlaanderen.172 W-Vlaanderen =1 indien onderneming actief is in provincie West-Vlaanderen.173 Vlaams Brabant =1 indien onderneming actief is in provincie Vlaams-Brabant

13 Limburg =1 indien onderneming actief is in provincie Limburg.105 Brussel Landmijnbouw Industrie Cdiensten =1 indien onderneming actief is in het Brussels Hoofdstedelijk Gewest =1 indien de onderneming actief is in land-of bosbouw, visserij of winning van delfstoffen =1 indien de onderneming actief is in een industriële sector (NACE sectie C) =1 indien de onderneming actief is in commerciële dienstverlening (NACE sectie D-N) NCdiensten =1 indien de onderneming actief is in niet-commerciële dienstverlening (NACE sectie O-R).123 Industrie*High- Tech Industrie*Med- High-Tech Industrie*Med- Low-Tech Industrie*Low- Tech Diensten*KI Diensten*LKI Median Tew. C4 =1 indien de onderneming actief is in een High-tech industriële sector, volgens de Eurostat indeling =1 indien de onderneming actief is in een Medium-high-tech industriële sector, volgens de Eurostat indeling =1 indien de onderneming actief is in een Medium-Low-tech industriële sector, volgens de Eurostat indeling =1 indien de onderneming actief is in een Low-tech industriële sector, volgens de Eurostat indeling =1 indien de onderneming actief is in een Knowledge-Intensive dienstensector, volgens de Eurostat indeling =1 indien de onderneming actief is in een Less Knowledge- Intensive dienstensector, volgens de Eurostat indeling Minimum Efficient Scale (MES) gemeten door de mediaan tewerkstelling per sector (NACE BEL digit) Concentratiemaatstaf: Cumulatief marktaandeel van de 4 grootste ondernemingen in de sector, in 2011 (NACE BEL digit) Open (export +import)/productie; per sector; in Balassa Balassa index voor specialisatie binnen arrondissement (zie voetnoot 1) Ltotalpni Aantal ondernemingen in dezelfde regio in andere sectoren, in log

14 5. Resultaten De resultaten zijn weergegeven in tabel 2 tot tabel 4. In eerste instantie schatten we het model met ondernemingseigen kenmerken als verklarende variabelen (tabel 2) en met sector wisselvariabelen en provinciewisselvariabelen, om voor respectievelijk sectorspecifieke en locatie-gebonden factoren te controleren. De resultaten in tabel 2 bevestigen de hypothesen die we gesteld hebben bij de ondernemingsspecifieke determinanten. SGO zijn inderdaad jongere en kleinere ondernemingen (hypothese 1) zoals blijkt uit de significant negatieve coëfficiënten van de variabelen leeftijd en tewerkstelling van de onderneming. SGOs zijn ook innovatiever, gemeten aan de O&O bestedingen die de inputs zijn in het innovatieproces, hetgeen ondersteuning geeft aan hypothese 2. De gemiddelde opleiding van het werknemersbestand blijkt echter in eerste instantie geen significante relatie te hebben met het voorkomen van SGO. Doch, gezien het belang en de ondersteuning vanuit de literatuur, onderzoeken we in de tweede kolom of een andere meting van menselijk kapitaal wel een invloed op SGO laat ontwaren. Wanneer we inderdaad kijken naar het niveau van de hoogst opgeleiden, mogelijk de ondernemer, manager, of werknemers in leidinggevende of strategische posities, in plaats van naar het gemiddelde opleidingsniveau van alle werknemers, dan is wel een significante relatie met het voorkomen van SGO merkbaar. De kans op SGO neemt stelselmatig toe met het niveau van de hoogst opgeleide(n), waarbij de coëfficiënt de toename in de kans op SGO voorkomen weergeeft. Vooral voor het universitaire niveau is de invloed groot, wat de kans met 3% verhoogt ten opzichte van ondernemingen waar basisschool opleiding het hoogste opleidingsniveau is. 14

15 Tabel 2: Probit resultaten voor het voorkomen van SGO, ondernemings-specifieke determinanten (1) (2) (3) (4) VARIABELEN SGO dy/dx SGO dy/dx SGO dy/dx SGO dy/dx Tewerkstelling *** *** *** *** (0.001) (0.001) (0.001) (0.001) Leeftijd *** *** *** *** (0.002) (0.001) (0.001) (0.001) O&O-Uitgaven 0.002*** 0.001* 0.001* 0.001* (0.001) (0.001) (0.001) (0.001) Opleiding-Gemid (0.002) Opleiding-Sec 0.013*** 0.013*** 0.014*** (0.004) (0.004) (0.004) Opleiding-Hoger 0.018*** 0.019*** 0.018*** (0.005) (0.005) (0.005) Opleiding-Univ 0.032*** 0.035*** 0.031*** (0.005) (0.005) (0.005) NACE Sectie A 0.028* 0.034** (0.016) (0.017) NACE Sectie D (0.057) (0.044) NACE Sectie E (0.011) (0.009) NACE Sectie F ** (0.004) (0.004) NACE Sectie G (0.003) (0.003) NACE Sectie H * (0.006) (0.005) NACE Sectie I (0.005) (0.005) NACE Sectie J 0.013* (0.008) (0.007) NACE Sectie K 0.046*** 0.032*** (0.015) (0.011) NACE Sectie L (0.020) (0.019) NACE Sectie M (0.007) (0.005) NACE Sectie N 0.024*** 0.023*** (0.008) (0.007) 15

16 NACE Sectie O (0.039) (0.031) NACE Sectie P (0.014) (0.011) NACE Sectie Q 0.025*** 0.018*** (0.007) (0.006) NACE Sectie R (0.012) (0.010) NACE Sectie S (0.010) (0.008) NACE Sectie T (0.327) (0.352) Antwerpen (0.003) (0.003) (0.003) (0.003) O-Vlaanderen (0.004) (0.003) (0.003) (0.003) W-Vlaanderen (0.003) (0.003) (0.003) (0.003) Limburg (0.004) (0.004) (0.004) (0.004) Vlaams Brabant (0.004) (0.003) (0.003) (0.003) Landmijnbouw 0.034** 0.037** (0.016) (0.018) Cdiensten (0.003) Ncdiensten 0.013*** (0.005) Industrie*High-Tech ** (0.007) Industrie*Med-High-Tech (0.009) Industrie*Med-Low-Tech (0.006) Diensten (0.004) Diensten*KI 0.015*** (0.003) #observaties 19,983 21,260 21,474 21,474 Pseudo-R² Standard errors in parentheses; *** p<0.01, ** p<0.05, * p<0.1 16

17 Er zijn ook sectoriële verschillen, zoals blijkt uit kolommen 1 en 2, waar tevens 19 wisselvariabelen voor de verschillende NACE BEL 2008 secties zijn opgenomen (referentie sectie is sectie C industrie); De meeste van deze sector variabelen zijn niet significant. Uitzonderingen zijn sectie F (bouwnijverheid), die significant minder SGO heeft dan de industrie, en secties K (financiële activiteiten en verzekeringen); N (administratieve en ondersteunende diensten), Q (menselijke gezondheidszorg en maatschappelijke dienstverlening) die significant meer SGOs herbergen dan de industrie. Op een hoger sector-aggregatieniveau vinden we ondersteuning voor hypothese 4 dat SGO significant meer voorkomen in diensten, vooral in de nietcommerciële diensten, in vergelijking met de verwerkende nijverheid (kolom 3 in Tabel 2). Ook in de landbouwsector vinden we meer SGO, wat vooral te maken heeft met een sterke consolidatie in de sector. Op een ander aggregatieniveau van de sectoren volgens de technologie- en kennisintensiteit van de sectoren, vinden we vooral meer SGO in de kennisintensieve dienstensectoren (kolom 4). Voor de kennisintensieve dienstensector zijn vooral groeiopportuniteiten doorslaggevend. Het meest markante resultaat is echter het negatieve effect voor hoogtechnologische industriële sectoren, waarin significant minder SGO zouden voorkomen in Vlaanderen. Hypothese 7 wordt duidelijk verworpen voor de verwerkende nijverheid. De omgekeerde relatie die we vinden is moeilijk te rationaliseren. Blijkbaar zijn er bijzondere groeibarrières in de high-tech sectoren die het voorkomen van SGO verhinderen. Voor de dienstensectoren vinden we wel evidentie die hypothese 7 ondersteunt. De resultaten voor de provinciewisselvariabelen wijzen niet op het bestaan van ruimtelijke locatie-gebonden effecten. Om te toetsen of ook de impact van ondernemings-gebonden variabelen verschillend is tussen de verwerkende industrie en de diensten, hebben we de analyse herhaald voor industrie en commerciële dienstverlening apart (zie tabel 3). De resultaten wijzen op een groter effect van het gemiddelde opleidingsniveau van het volledige personeelsbestand voor de industriële sectoren. In de diensten daarentegen is het gemiddeld opleidingsniveau niet doorslaggevend in het verklaren van SGO. De variabelen die het hoogste niveau van opleiding weergeven (kol. 3 en 4) geven een gelijkaardig beeld voor diensten en industrie. In beide sectoren verklaren hogere opleidingsniveaus verhogende kansen op snelle groei, wat leidt tot aanvaarding van hypothese 3. 17

18 Tabel 3: Probit resultaten voor het voorkomen van SGO, industrie en diensten apart Industrie C. Diensten Industrie C. Diensten VARIABELEN SGO dy/dx SGO dy/dx SGO dy/dx SGO dy/dx Tewerkstelling *** ** *** *** (0.003) (0.002) (0.003) (0.001) Leeftijd *** *** *** *** (0.003) (0.002) (0.003) (0.002) O&O-Uitgaven 0.004*** 0.002* 0.003*** (0.001) (0.001) (0.001) (0.001) Opleiding-Sec 0.019* 0.009** (0.010) (0.004) Opleiding-Hoger 0.019* 0.019*** (0.011) (0.006) Opleiding-Univ 0.046*** 0.035*** (0.015) (0.006) Opleiding-Gemid *** (0.005) (0.002) #observaties 3,397 13,689 3,547 14,525 Pseudo-R² Standard errors in parentheses; *** p<0.01, ** p<0.05, * p<0.1 Sector- en provincie wisselvariabelen toegevoegd in de schatting maar niet opgenomen in de tabel. In tabel 4 verdiepen we de analyse door het model aan te vullen met sector-gebonden variabelen die een systematische invloed kunnen hebben op het voorkomen van SGO in bepaalde sectoren, zoals gesteld in de sectorhypothesen in afdeling 2. Het effect van deze sectorvariabelen wordt aldus geïsoleerd uit de impact van de sectorwisselvariabelen. De eerste kolom kijkt naar effecten van concurrentiedruk en schaal binnen de sectoren. Het bestaan van schaalvoordelen, en de prikkels die ervan uitgaan om snel te groeien tot deze schaal blijken een significant effect te hebben op het voorkomen van SGO in sectoren gekenmerkt door een grote kritische omvang, de MES. Hypothese 8 wordt aldus ondersteund. De concurrentievariabelen, C4 en Open, in aansluiting met resp. hypothese 5 en hypothese 6 hebben eveneens het verwachte effect, maar de standaardafwijkingen van de geschatte coëfficiënten zijn groot. Wanneer we de sectorwisselvariabelen weglaten, worden de effecten 18

19 van beide variabelen wel statistisch significant (kolom 2). Hypothese 5 en 6 worden hiermee ondersteund. Op een gelijkaardige wijze verdiepen we de analyse naar ruimtelijke locatie-gebonden factoren door de provincie-wisselvariabelen aan te vullen met de balassa index voor specialisatie op arrondissementniveau (Marshalliaanse agglomeratievoordelen) en de (logaritme van) het aantal ondernemingen binnen het arrondissement in andere sectoren (Jacobiaanse agglomeratievoordelen). De resultaten in kolom 3 tonen hier een negatief effect van specialisatie op de snelle groei van ondernemingen, wat er kan op wijst dat effecten van kennis spillovers worden overschaduwd door een hogere concurrentiedruk in sectoriële en geografische clusters. De variabele voor Jacobiaanse agglomeratievoordelen is niet significant. Hypothesen 9 en 10 moeten worden dus niet ondersteund. Ook metingen op provincieniveau laten niet toe positieve effecten van agglomeriatievoordelen te ontwaren. Het is mogelijk dat de voordelen zeer beperkt zijn in de ruimte, zoals aangetoond door Goesaert en Reynaerts (2012) voor startups, en moet toekomstig onderzoek deze effecten op een lager aggregatieniveau onderzoeken. Tabel 4: Probit resultaten voor het voorkomen van SGO, sector- en ruimtelijke determinanten (1) (2) (3) VARIABELEN SGO dy/dx SGO dy/dx SGO dy/dx Tewerkstelling *** *** *** (0.001) (0.001) (0.001) Leeftijd *** *** *** (0.001) (0.001) (0.001) O&O-Uitgaven 0.002** 0.001* 0.002** (0.001) (0.001) (0.001) Opleiding-Sec 0.013*** 0.012*** 0.013*** (0.004) (0.004) (0.004) Opleiding-Hoger 0.017*** 0.017*** 0.017*** (0.004) (0.005) (0.004) Opleiding-Univ 0.031*** 0.033*** 0.031*** (0.005) (0.005) (0.005) Landmijnbouw 0.045** 0.047** (0.021) (0.021) Industrie*High-Tech *** *** (0.005) (0.005) Industrie*Med-High-Tech

20 (0.008) (0.007) Industrie*Med-Low-Tech (0.006) (0.006) Diensten (0.005) (0.005) Diensten*KI 0.007** 0.007** (0.003) (0.003) C ** 0.012* (0.006) (0.006) (0.006) Median Tew *** 0.018*** 0.015*** (0.003) (0.003) (0.003) Open ** (0.001) (0.001) (0.001) Balassa ** (0.001) Ltotalpni (0.002) Antwerpen (0.003) (0.003) (0.003) O-Vlaanderen (0.003) (0.003) (0.005) W-Vlaanderen (0.003) (0.003) (0.005) Limburg (0.004) (0.004) (0.005) Vlaams Brabant (0.003) (0.003) (0.004) #observaties 21,266 21,266 21,266 Pseudo-R² Standard errors in parentheses; *** p<0.01, ** p<0.05, * p< Besluit Ondernemings-specifieke kenmerken zijn zeer robuust in het verklaren van SGO voorkomen. SGOs zijn typisch kleiner, jonger en innovatiever dan andere ondernemingen. Een eerste voorwaarde om meer SGO te genereren is aldus het stimuleren van ondernemerschap, en vooral technologisch ondernemerschap gericht naar het ontwikkelen van nieuwe producten en processen. 20

21 Vooral in de industrie zijn innovatie via O&O en een goed gemiddeld opleidingsniveau binnen de onderneming, twee indicatoren die de kansen op het bestaan van SGOs in de industrie positief weten te beïnvloeden. Toch is het niet in de industrie dat SGOs meest waarschijnlijk voorkomen, maar wel in de dienstensectoren, vooral dan de kennis intensieve diensten, zoals financiële en administratieve dienstverlening en gezondheidszorg en maatschappelijke diensten. Het meest verontrustende resultaat uit de studie is het minder waarschijnlijk voorkomen van SGO in de hoogtechnologische sectoren van de verwerkende nijverheid, ook wanneer gecontroleerd wordt voor concurrentie- en schaaleffecten binnen deze sectoren. Dit lijkt te wijzen op het bestaan van bijzondere groeibelemmeringen, die vooral binnen deze sectoren een doorslaggevende rol spelen. Aanvullend onderzoek zou moeten verduidelijken welke belemmeringen hiervoor verantwoordelijk zijn, en hoe het beleid hier passend kan op inspelen. Behoudens de innovatieve inspanningen, speelt het opleidingsniveau van de werknemers een belangrijke rol in het voorkomen van SGO. In de commerciële dienstverlening is evenwel niet het gemiddelde opleidingsniveau maar wel het niveau van de hoogst opgeleide personeelsleden en de ondernemer erg van belang. Dit laat ruimte voor arbeidsmogelijkheden voor minder hoog opgeleide werknemers, in sectoren die een snelle expansie kennen, zolang deze ondernemingen bemand worden door sleutelpersonen met een hoge scholingsgraad. Ruimtelijk lokatiegebonden factoren zoals agglomeratievoordelen blijken geen doorslaggevende rol te spelen in het voorkomen van SGO. Mogelijk kunnen deze effecten zich manifesteren op een lager of hoger aggregatieniveau dan het arrondissementsniveau, zoals gemeten in deze studie. Ook hier kan aanvullend onderzoek, in zoverre dat de beschikbare gegevens dit toelaten, nuttig zijn. 21

22 Referenties Acs, Z. J., Mueller, P. (2008), Employment effects of business dynamics: Mice, Gazelles and Elephants, Small Business Economics, 30, Acs, Z. J., Parsons, W., Tracy, S. (2008), High-Impact Firms: Gazelles Revisited (manuscript). In S. O. o. Advocacy (Ed.), SBA Reports. Washington, D.C.: SBA Office of Advocacy. Almus, M. (2002) What characterizes a fast-growing firm?, Applied Economics, 34, Anyadike-Danes, M., Bonner, K., Hart, M., Mason, C.(2009), Measuring business growth: highgrowth firms and their contribution to employment in the UK, London: NESTA. Arrighetti, A., Lasagni, A. (2013), Assessing the determinants of high-growth manufacturing firms in Italy, International Journal of the Economics of Business, 20, Arrow KJ (1962) The economic implications of learning by doing. Review of Economic Studies 29, Audretsch, D.B. (1995), Innovation and industry evolution. Cambridge: MIT Press. Audretsch, D. B. (2002), The Dynamic Role of Small Firms: Evidence from the U.S., Small Business Economics, 18, Autio, E. (2007), GEM 2007 Report on High-Growth Entrepreneurship, GEM Global Reports. London: GERA. Baum, J. R. & Locke, E. A. (2004). The relationship of entrepreneurial traits, skill, and motivation to subsequent venture growth. Journal of Applied Psychology, 89, Beaudry, C., Schiffauerova, A., (2009), Who s right, Marshall or Jacobs? The localization versus urbanization debate, Research Policy, 38, Becchetti, L. & Trovato, G. (2002). The determinants of firm growth for small and medium sized firms. The role of the availability of external finance. Small Business Economics, 19, Beck, T. (2009), Entrepreneurship in developing countries, Edward Elgar Publishers, 800p. Benavente J.M., Lauterbach, R. (2008), Technological innovation and employment: complements or substitutes?. The European Journal of Development Research, 20, Bergman, M. and Rudholm, N. (2003). The relative importance of actual and potential competition: empirical evidence from the pharmaceuticals market. Journal of Industrial Economics, 51, Bosma, N., Acs, Z. J., Autio, E., Coduras, A., Levie, J. (2009), Global Entrepreneurship Monitor. 2008, Executive report: Babson College and Universidad del Desarrollo. Bosma, N., Hessels J., Schutjens, V., Van Praag, M., Verheul I. (2010), Entrepreneurship and Role Models, research report. Bottazzi, G. and Secchi, A. (2006). Explaining the distribution of firms growth rates. Rand Journal of Economics, 37, Brixy, U., Kohaut, S. (1999), Employment Growth Determinants in New Firms in Eastern Germany, Small Business Economics, 13,

23 Calvo, J. (2006), Testing Gibrat s law for small, young and innovating firms. Small Business Economics, 26, Cassar, G. (2006), Entrepreneur opportunity costs and intended venture growth, Journal of Business Venturing, 21, Cassar, G. (2007), Money, money, money? A longitudinal investigation of entrepreneur career reasons, growth preferences and achieved growth, Entrepreneurship & Regional Development, 19, Caves, R. (1998), Industrial organization and new findings on the turnover and mobility of firms, Journal of Economic Literature, 36, Coad, A. (2009), The growth of firms: A survey of theories and empirical evidence. UK Cheltenham: Edward Elgar, 208p. Coad, A., Rao, R. (2008), Innovation and firm growth in high-tech sectors: A quantile regression approach, Research Policy, 37, Coad, A., Teruel, M. (2010), Inter-firm rivalry and firm growth: Is there any evidence of direct competition between firms?, Papers on Economics and Evolution, # 1018, Max Planck Institute of Economics. Czarnitzki, D., Delanote, J. (2012), Young innovative companies: the new high-growth firms?, Industrial and Corporate Change, 22, Daunfeldt, S., Elert, N., Johansson, D. (2010), The economic contribution of high-growth firms: Do definitions matter?, HUI Working Papers 35, HUI Research. Davidsson, P. (1991), Continued entrepreneurship: Ability, need, and opportunity as determinants of small firm growth, Journal of Business Venturing, 6, Davidsson, P., Achtenhagen, L., Naldi, L. (2010), Small Firm Growth, Foundations and Trends in Entrepreneurship, Vol. 6, No. 2, pp , Available at SSRN: Delmar, F. & Wiklund, J. (2003). The effect of the entrepreneur's growth motivation on subsequent growth: A longitudinal study. Paper presented at the Academy of Management Meeting, Seattle. Delmar, F. F., Davidsson, P., Gartner, W. B. (2003), Arriving at the high-growth firm, Journal of Business Venturing, 18, Demirgüç-Kunt, A. and Maksimovic, V. (1998), Law, Finance, and Firm Growth. The Journal of Finance, 53, Deschryvere, M. (2008), High-growth firms and job creation in Finland, Working paper 1144, Helsinki: Research Institute of the Finnish Economy. Djankov, S., La Porta, R., Lopez-de-Silanes, F., Shleifer, A. (2002), The Regulation of Entry, Quarterly Journal of Economics, 117, Eurostat, OECD (2007), Eurostat-OECD Manual on business demography statistics. OECD, Paris. Eurostat, OECD (2009), 'High-technology' and 'knowledge based services' aggregations based on NACE Rev. 2, Eurostat, OECD (2012) Entrepreneurship at a glance, 23

24 Falkenhall, B., Junkka, F. (2009), High-growth Firms in Sweden , The Swedish Agency for Growth Policy Analysis. Freel, M.S. (2000), Do small innovating firms outperform non-innovators?. Small Business Economics, 14, Geroski, P., Toker, S. (1996), The turnover of market leaders in UK manufacturing industry, International Journal of Industrial Organisation, 14, Goedhuys, M, Sleuwaegen, L. (2010), High growth entrepreneurial firms in Africa, a quantile regression approach, Small Business Economics, 34, Goesaert, T., Reynaerts, J. (2012), Nieuwe ondernemingen in Vlaanderen, De impact van agglomeratie van economische activiteit op het aantal startups in de industrie , Beleidsrapport STORE-B , Steunpunt Ondernemerschap en Regionale Economie, KULeuven, 24p. Harrison, R., Jaumandreu, J., Mairesse, J., Peters, B. (2005), Does innovation stimulate employment? A firm-level analysis using comparable micro data on four European countries. MPRA Paper No. 1245, Munich. Haskel, J. E., Pereira, S. C., and Slaughter, M. J. (2007). Does inward foreign direct investment boost the productivity of domestic firms? Review of Economics and Statistics, 89, Hay, M. and Kamshad, K. (1994). Small firm growth: Intentions, implementation and impediments. Business Strategy Review, 5, Henrekson, M. (2007), Entrepreneurship and institutions, Comparative Labour Law and Policy Journal, 28, Henrekson, M., Johansson, D. (2009), Competencies and institutions fostering high growth firms, Foundations and Trends in Entrepreneurship, 5, Henrekson, M., Johansson, D. (2010), Gazelles as job creators: a survey and interpretation of the evidence, Small Business Economics, 35, Hessels, J., van Gelderen, M., Thurik, R. (2008), Entrepreneurial aspirations, motivations, and their drivers, Small Business Economics, 31, Hölzl, W. (2009), Is the R&D behaviour of fast-growing SMEs different? Evidence from CIS III data for 16 countries, Small Business Economics, 33, Hoogstra, G., van Dijk, J. (2004), Explaining firm employment growth: does location matter?, Small Business Economics, 22, Horn, J., Pleasance D. (2012), Restarting the US small-business growth engine, McKinsey Quarterly, november International Trade Centre (ITC), Trade and Investment Data, Trade in Services Statistics, Jacobs J (1969) The economy of cities. Random House, New York. Jovanovic, B. (1982), Selection and the evolution of industry. Econometrica, 50,