Publicação
Distribuição Geográfica do Conhecimento Europeu com base nos Indicadores do Regional Innovation Scoreboard
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | |
| datacite.subject.sdg | 04:Educação de Qualidade | |
| dc.contributor.advisor | Correia, Aldina Isabel de Azevedo | |
| dc.contributor.advisor | Mendes, Telma Idalina Leite | |
| dc.contributor.author | Alves, Ana Margarida Pereira | |
| dc.date.accessioned | 2026-02-04T15:57:24Z | |
| dc.date.available | 2026-02-04T15:57:24Z | |
| dc.date.issued | 2025 | |
| dc.date.submitted | 2025 | |
| dc.description.abstract | A Estratégia de Especialização Inteligente (S3) destaca-se como um modelo central de desenvolvimento regional na União Europeia (UE), devido à sua abordagem orientada para a inovação e transformação económica. Este modelo promove a integração entre ensino, indústria e governo, reforçando as bases de conhecimento e os Sistemas Regionais de Inovação (SRI) como pilares para fomentar a competitividade, a sustentabilidade e a redução das desigualdades regionais. No contexto europeu, a S3 assume particular relevância para regiões menos desenvolvidas, onde os desafios estruturais dificultam a integração em redes globais de inovação. O principal objetivo deste estudo consiste em analisar a distribuição geográfica do conhecimento nas regiões europeias nos anos de 2016, 2017, 2019, 2021 e 2023, procurando compreender de que forma os indicadores do Regional Innovation Scoreboard (RIS) refletem o desempenho inovador dessas regiões e como este evolui ao longo do tempo. Para tal, recorreu-se a uma metodologia quantitativa operacionalizada através de duas técnicas estatísticas – Análise Fatorial e Análise de Clusters – que permitiram identificar as dimensões subjacentes ao desempenho regional em inovação e agrupar as regiões com base em perfis semelhantes, possibilitando uma interpretação transversal e comparativa das dinâmicas territoriais de inovação na Europa. Os resultados demonstram que a estrutura de correlação entre os indicadores do RIS associados ao conhecimento revela-se concetualmente estável ao longo do tempo, refletindo três dimensões consistentes: inovação e output do conhecimento, conhecimento científico, e educação e competências técnicas. A análise de clusters evidencia uma reconfiguração dinâmica das regiões, indicando variações significativas no desempenho relativo ao longo dos períodos pré-pandemia (2016-2017), pandemia (2019-2021) e pós-pandemia (2023). Os resultados confirmam a heterogeneidade dos sistemas regionais de conhecimento e de inovação e reforçam a importância de abordagens temporais segmentadas para compreender os impactos diferenciados da pandemia. As conclusões sustentam a relevância de políticas de inovação territorialmente ajustadas, alinhadas com os princípios da especialização inteligente e com os pressupostos do modelo da Quadruple Helix. | por |
| dc.description.abstract | The Smart Specialisation Strategy (S3) has emerged as a central model for regional development within the European Union (EU), due to its innovation-driven and economically transformative approach. This model fosters the integration of academia, industry, and government, reinforcing knowledge bases and Regional Innovation Systems as key pillars for enhancing competitiveness, sustainability, and the reduction of regional disparities. Within the European context, S3 holds particular significance for less developed regions, where structural challenges hinder their integration into global innovation networks. The main purpose of this study is to analyse the geographical distribution of knowledge across European regions in the years 2016, 2017, 2019, 2021, and 2023. The research aims to understand how the indicators from the Regional Innovation Scoreboard (RIS) reflect the innovation performance of these regions and how this performance evolves over time. Thus, a quantitative methodology was employed using two statistical techniques – Factor Analysis and Cluster Analysis – which enabled the identification of the underlying dimensions of regional innovation performance and the grouping of regions based on similar profiles. This approach allows for a transversal and comparative interpretation of territorial innovation dynamics in Europe. The findings indicate that the correlation structure among the RIS indicators associated with knowledge remains conceptually stable over time, reflecting three consistent dimensions: innovation and knowledge output, scientific knowledge, and education and technical skills. The cluster analysis reveals a dynamic reconfiguration of regions, indicating significant variations in relative performance across the pre-pandemic (2016-2017), pandemic (2019-2021), and postpandemic (2023) periods. The results confirm the heterogeneity of regional knowledge and innovation systems and highlight the importance of segmented temporal approaches for understanding the differentiated impacts of the pandemic. The conclusions support the relevance of territorially tailored innovation policies aligned with the principles of smart specialisation and the assumptions of the Quadruple Helix model. | eng |
| dc.identifier.tid | 204179327 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/31778 | |
| dc.language.iso | por | |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Especialização Inteligente | |
| dc.subject | Inovação Regional | |
| dc.subject | Conhecimento | |
| dc.subject | Sistemas Regionais de Inovação | |
| dc.title | Distribuição Geográfica do Conhecimento Europeu com base nos Indicadores do Regional Innovation Scoreboard | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Gestão e Internacionalização de Empresas |