3.1.4 Entwicklungstendenzen des Clusterkonzepts

Eine Herausforderung besteht darin, ein Cluster jenseits des Konzeptes auch tatsächlich in einer Region statistisch zu identifizieren (vgl. Krätke/Scheuplein 2001; Steinle/Schiele 2002). Da Cluster die gesamte Wertschöpfungskette eines Produkts von der Forschung bis hin zum Vertrieb inklusive Zulieferbetrieben und unterstützenden Einrichtungen abdecken können, geben die reinen Industrieklassifikationen nur ein unvollständiges Bild. Daher sind unter dem Begriff des „Cluster-Mapping“ verschiedene Ansätze entstanden, die der Identifizierung von Clustern dienen sollen (vgl. Europäische Kommission 2003a: 6; Lerch 2009: 103ff.). Bergman/Feser (1999) unterteilen in sechs Möglichkeiten der Clusteranalyse: Expertenbefragungen, Spezialisierungsindikatoren, Input-Output Handelsdaten, Input-Output Innovationsdaten, Netzwerkanalyse und Surveys. Es lässt sich dabei zwischen Top-down Ansätzen und Bottom-up-Ansätzen unterscheiden. Top-down-Ansätze verwenden Sekundärdaten, um die räumliche Konzentration spezialisierter ökonomischer Aktivitäten über alle Teilräume eines Gesamtraumes (etwa eines Staates) zu identifizieren. Bottom-upAnsätze hingegen nutzen eher qualitative Verfahren wie Tiefeninterviews und ausgewählte Fallstudien in einzelnen Regionen eines Gesamtraumes.

Für die USA wurde von Michael Porter in den 1990er Jahren ein Top-Down-Ansatz für die Identifizierung von regionalen Clustern durch Auswertung statistischer Daten entwickelt, der in der Folge von verschiedenen Organisationen angewendet wurde (vgl. Sölvell et al. 2008: 3ff.; Porter 2001). Industrielle Agglomerationen werden danach in Regionen durch die Berechnung von Korrelationen bei der Ansiedlung von Industrien statistisch identifiziert. Wenn sich signifikant häufig zwei oder mehr Industrien in großer räumlicher Nähe ansiedeln, kann dies als ein Hinweis darauf gesehen werden, dass es Input-OutputBeziehungen zwischen diesen Industrien gebe, dass sie also durch Zulieferund AbnehmerBeziehungen miteinander vernetzt seien oder gemeinsame Interessen hätten, etwa den Zugriff auf Absolventen einer bestimmten Richtung oder technologische Infrastruktur wie auch Kooperationen untereinander. Porter benennt 41 Kategorien von Clustern, z.B. Automotive, Information Technology oder Medical Devices (vgl. Porter 2001) Ökonomische Kennzahlen des Clusters werden durch statistische Auswertung etwa der Wachstumszahlen und des Einkommensniveaus wie auch durch Managerbefragungen erhoben.

Das US-Modell des Cluster-Mappings wurde 2003 erstmals in Schweden angewendet (vgl. Lindqvist/Malmberg/Sölvell 2008). Seit 2004 wird Cluster-Mapping zunehmend auf gesamteuropäischer Ebene betrieben, zunächst für zehn EU-Staaten, in der Folge für immer mehr EU-Mitgliedsländer. Die Europäische Kommission finanziert seit 2007 das sogenannte European Cluster Observatory, um vergleichbare Zahlen für Cluster in Europa zu erhalten, die nach einer einheitlichen Methodologie erhoben worden sind ^[1]. Im Rahmen des European Cluster Observatory werden sowohl Konzentrationsals auch Spezialisierungsdaten erhoben. Ausgehend von einem ersten Mapping in zehn EU-Mitgliedsstaaten im Jahr 2004 wurde das Mapping in den folgenden Jahren erweitert und auf alle EUMitgliedsstaaten sowie assoziierte Länder ausgeweitet. Insgesamt hat das Projekt annähernd 10.000 Cluster in Europa anhand der statistischen Auswertung identifiziert, wobei davon jedoch nur ein Bruchteil wirklich große und spezialisierte Cluster sind. Seit August 2009 bietet das European Cluster Observatory auch ein gesondertes Verzeichnis von Clusterorganisationen, die sich auf 1.100 belaufen.

• [1] Siehe clusterobservatory.eu, zuletzt aufgerufen am 20.3.2015