Urban location and startup growth

Tematem rozprawy doktorskiej jest wpływ lokalizacji wewnątrzmiejskiej na szanse rozwoju startupów technologicznych. Badania zostały przeprowadzone dla próbki startupów z Warszawy, z wykorzystaniem metod przestrzennego uczenia maszynowego. Wyniki rozprawy pokazują, jak ważny jest wpływ adresu młodej firmy na jej przyszłe wyniki finansowe. Pierwszy rozdział pracy analizuje rozkład przestrzenny startupów technologicznych w Warszawie oraz zmiany tego układu na przestrzeni lat. Zauważono tendencję do ko-lokalizacji wśród młodych firm technologicznych, którą można połączyć z wpływem efektów aglomeracyjnych. Z wykorzystaniem głębokich sieci neuronowych zbudowano model przewidujący lokalizację skupień (klastrów) startupów w roku kolejnym, z wykorzystaniem informacji o lokalizacji nowopowstałych firm z kilku lat ubiegłych. Dzięki wykorzystaniu zmiennych przestrzennych do estymacji, model oferuje stabilne wyniki, mimo wykorzystania krótkiego panelu danych historycznych. Drugi rozdział analizuje połączenia między startupami założonymi w tym samym roku. Pod uwagę brane są połączenia wewnątrz klastrów oraz w całym ekosystemie przedsiębiorczym (entrepreneurial ecosystem - EE). Zbadane zostały połączenia utworzone na podstawie bliskości przestrzennej (kryterium lokalizacji) oraz bliskości administracyjnej, np. poprzez posiadanie wspólnych inwestorów (kryterium formalne). Zauważono znaczną dominację połączeń opartych na lokalizacji oraz zaobserwowano, że większości inwestorów w ekosystemie jest zaangażowanych jedynie w działalność jednej firmy. Przeanalizowany został wpływ obu typów połączeń na rozwój finansowy startupów. Trzeci rozdział poświęcony został badaniu wpływu lokalizacji w centrum biznesowym miasta (CBD) na rozwój startupów. Z wykorzystaniem modelu lasu przyczynowego (causal forest) oszacowane zostały indywidualne efekty lokalizacji w CBD na rozwój konkretnych firm. Wykazano, że wpływ ten jest heterogeniczny i w dużej mierze zależy od wstępnych warunków i wielkości badanej firmy. Czwarty rozdział analizuje wpływ konkretnej lokalizacji na rozwój startupów, biorąc pod uwagę wpływ czynników absolutnych oraz relatywnych, na podstawie teoretycznych modeli lokalizacji biznesu. Ponownie analiza została przeprowadzona z uwzględnieniem zindywidualizowanych ścieżek reakcji na daną lokalizację, ze względu na wstępne warunki rozwoju danej firmy. Z wykorzystaniem metod Wyjaśnialnej Sztucznej Inteligencji (XAI) zbudowano narzędzie doradcze, które pozwala przeanalizować wpływ danej lokalizacji na rozwój startupu.

The subject of the doctoral dissertation is the impact of intra-urban location on technological startups’ growth. The research was conducted on a sample of startups from Warsaw using spatial machine learning methods. The dissertation's findings highlight the significant influence of a young company's address on its future financial performance. The first chapter of the dissertation analyses the spatial distribution of technological startups in Warsaw and changes in this distribution over the years. A trend towards co-location among young technological companies was observed, which can be linked to the influence of agglomeration effects. A deep neural network model was built to predict the location of startup clusters in the following year, using information about the locations of newly established companies from previous years. By incorporating spatial variables into the estimation, the model provides stable results despite using a short panel of historical data. The second chapter examines the connections between startups founded in the same year. The analysis considers connections within clusters and throughout the entire entrepreneurial ecosystem (EE). The connections studied were based on spatial proximity (location criterion) and administrative proximity, such as having common investors (formal criterion). A significant dominance of location-based connections was observed, and it was found that most investors in the ecosystem are involved in only one company's activities. The impact of both types of connections on the financial development of startups was analysed. The third chapter is dedicated to studying the impact of location within the city's Central Business District (CBD) on the development of startups. Using a causal forest model, the individual effects of CBD location on the growth of specific companies were estimated. It was shown that this impact is heterogeneous and largely depends on the initial conditions and size of the company being studied. The fourth chapter analyses the impact of specific locations on startup development, considering the influence of absolute and relative factors based on theoretical business location models. The analysis was again conducted with individualised response paths to given location characteristics, depending on the initial development conditions of the company. Using Explainable Artificial Intelligence (XAI) methods, an advisory tool was developed that allows for the analysis of the impact of a given location on a startup's growth.