Сети как источник инноваций

СЕТИ КАК ИСТОЧНИК ИННОВАЦИЙ Появление и распространение новых идей можно представить в форме сети. Если рассмотреть это явление на самом фундаментальном уровне, то любую инновационную идею можно представить как новый набор связей между нейронами мозга. Инновационная идея, как и любая другая мысль – это просто результат взаимодействия клеток мозга, определенным образом структурированных в сети. При этом, для того чтобы идея развилась во что то более существенное, ее необходимо связать с другими идеями. Появление новых идей требует определенной среды, где могут возникать новые неожиданные связи: необходимы как сами по себе нейроны и синапсы мозга, так и широкая культурная среда, которую он охватывает. Таким образом, сети – это необходимый фундаментальный элемент инноваций. Функционирование таких сетей можно связать с несколькими уровнями. Отдельная мысль или идея формируется на основе определенной сети клеток мозга, инновация появляется и реализуется посредством сети взаимосвязанных идей и людей, которые являются их носителями. Сети людей, в свою очередь, масштабируются во внутрифирменные сети, сети отдельных фирм, сети кластеров (объединение групп взаимодействующих фирм) и сети целых стран и регионов. Идея центральной роли сетей в инновационном развитии восходит, по меньшей мере, к работам великого австрийского экономиста Йозефа Алоиза Шумпетера, который полагал, что инновации возникают из новых комбинаций идей. На протяжении долгого времени эта идея преимущественно имела характер метафоры и не получала развития в строгих аналитических подходах к управлению инновациями. Однако, бурное развитие новых количественных методов сетевого анализа в последние годы позволило продвинуться от простой концепции понимания связей как основы сетей к конкретному измерению и оценке структур инновационных сетей. Методы сетевого анализа берут свое начало от анализа социальных сетей (Social Network Analysis, SNA). Данная методология получила такое название потому, что почти все ранние работы по этой теме рассматривали отношения в рамках межличностных сетей. Рост вычислительных возможностей компьютеров и развитие программного обеспечения привели к стремительному росту и развитию новых методов и подходов к анализу больших объемов данных – так называемому, комплексному сетевому анализу (Complex Network Analysis, CNA). 1 Сетевой анализ и его значение для инновационного менеджмента Сеть – это любая система, которая может быть описана, как некоторый набор узлов – элементов или субъектов (отдельные люди, фирмы, регионы и страны, компьютеры и т.д.) и связей между ними. Сетевой анализ – это набор методов, которые используются для статистического описания таких систем (Wasserman and Faust, 1994). В качестве примеров, можно привести компьютерные сети, где узлами являются отдельные устройства, а связями – проводные или беспроводные соединения; социальные сети, где в качестве узлов выступают отдельные люди, а в качестве связей – социальные связи (друзья или подписчики в Facebook, Instagram или Вконтакте); сети научного цитирования, где узлы – академические работы, связи – цитаты; сети финансового обмена, где узлы – это отдельные люди или фирмы, связи – финансовые транзакции между ними. Предметом сетевого анализа является измерение характеристик таких сетей. Данные о характеристиках сетей могут быть получены несколькими различными способами. Во-первых, отдельных людей можно опросить на предмет их взаимодействия с теми или иными людьми и группами, затем характеристики этих индивидуальных социальных сетей могут сравниваться. Такой тип сетей получил название “эго-сети”, поскольку центральный элементом сети в данном случае является отдельный человек. В настоящее время более распространенным является другой способ, который подразумевает сбор данных обо всех участниках конкретной определенной сети. Это позволяет проанализировать свойства сети как целого. Основное преимущество работы c сетями как целым заключается в том, что анализ сети как целостной системы позволяет зарегистрировать возникающие новые схемы поведения в сети (Dopfer and Potts, 2006). Использование методов сетевого анализа для исследований менеджмента не является новой практикой. Методы анализа социальных сетей применяются в исследованиях в области менеджмента с 60-х годов XX века и также могут использоваться для исследования инноваций (Allen and Cohen, 1969; Crane, 1969). Методы и теории сетевого анализа претерпели резкие изменения в ответ на появление новых статистических методов, которые позволили анализировать большие сети и проверять гипотезы о сетевых структурах и сетевой динамике. Например, исследование сетевых структур, которые получили название “малые миры” (Watts and Strogatz, 1998), в которых субъекты отделены друг от друга лишь небольшим количеством сетевых связей, привело к стремительному развитию новых методов измерения характеристик и динамики больших и сложных сетей. Экономика и ее подсистемы являются сложными адаптивными системами. И это определяет причину использования сетевого анализа для целей исследования инноваций. Сложные адаптивные системы лучше всего анализировать как целое, а не как отдельные части. Существует несколько свойств, которые характеризуют сложные адаптивные системы, но два из них являются ключевыми. Первое – это большое количество взаимодействующих элементов. Второе – эти взаимодействия ведут к возникновению важных новых свойств, которые не могут быть спрогнозированы посредством изучения элементов как отдельных (Mitchell, 2009). Взаимодействия и сотрудничество людей внутри фирм, торговля между различными отраслями и географическими регионами – все это имеет свойства сложных адаптивных систем. Поэтому исследование природы только индивидуальных элементов в рамках этих систем, будь то люди или фирмы, скорее всего упустит важные факторы, которые приводят в движение изменения. Исследование этих сложных систем как сетей – один из лучших способов обойти эту проблему (Barabasi, 2012). Свойства структуры сетей являются следствием поведения различных акторов внутри системы. Точка зрения, что поведение и результаты фирм можно понять только через исследование их социальных, технологических и более широких обменных отношений с другими экономическими агентами стала широко распространенной (Vonartas, 2009). При этом, картина раздробленных агентов, конкурирующих за прибыль на обезличенных рынках становится все более неадекватной в свете быстрого роста межфирменного сотрудничества в последние три десятилетия и растущего количества практических доказательств влияния социального контекста, частью которого являются фирмы и который определяет их действия и результаты. Последняя причина для исследования инноваций через призму сетей более практическая: управление сетью и сетевыми отношениями, как правило, наиболее быстрый и эффективный путь распространения инноваций (Cross, Liedtka and Weiss, 2004). Это делает знание о сетях важным управленческим инструментом. Широко признано, что коммуникации являются критическими важными для управления организационными изменениями. При этом, коммуникации осуществляются посредством сетей. Ряд работ (Mohrman, Tenkasi, 2003) показывает, что успешные примеры организационных изменений преимущественно определяются активностью неформальных сетей, в то время как неуспешные попытки связаны с использованием формальных коммуникаций посредством обычной иерархии. Также, гораздо проще работать над изменением менее формальных сетевых структур, чем пытаться менять официальные организационные структуры (Johnson, 2009). 2 Основы сетевого анализа Первым этапом проведения сетевого анализа является сбор данных о сети. Для этого необходимо определить границы сети. Сеть может быть закрытой или открытой. Закрытые сети – это сети с четко определенными границами (например, все сотрудники одной фирмы или все фирмы в одной отрасли). Открытая сеть – не имеет предопределенных границ. В качестве примера закрытой сети можно привести эго-сеть. Эго-сеть отражает совокупность связей какого-либо индивида, или центрального субъекта. Такая сеть строится на основании интервью центрального субъекта на предмет всех своих связей определенного типа (например, друзей или партнеров). Закрытые сети легче анализировать, поскольку заранее известны их участники. Вместе с тем, важно отметить, что даже когда границы сети для целей анализа определены как закрытые, в действительности почти все сети в реальном мире являются открытыми и такие закрытые границы должны рассматриваться только как необходимая условность. Например, определим в качестве закрытой сети всех сотрудников фирмы X, работающих над проектом Y. Для построения такой сети можно опросить всех ее членов на предмет того, к кому они обращаются за помощью в решении какой либо проблемы. Разумно полагать, что они могут обратиться за помощью к кому-либо за пределами данной конкретной сети, например, к коллегам со своих предыдущих мест работы, друзьям с экспертизой в других областях или к кому-то еще. Следовательно, важно понимать условность установленных границ сети и учитывать возможность внешних эффектов и влияний, а также документировать допущения, которые лежат в основе определения этих границ для целей сетевого анализа. Данные о сетевых связях могут быть получены с помощью использования первичных или вторичных источников. Первичные данные обычно получают путем проведения различных интервью или опросов. Вторичные данные берут их баз данных или других больших наборов данных. Наиболее распространенным источником вторичных данных для сетевых исследований в области инноваций являются патентные данные. В рамках таких исследований, соавторство патентов отражает связи между отдельными исследователями или фирмами, подающими заявки на патенты. Основное преимущество использования вторичных данных заключается в том, что таким образом можно получить больший объем данных, чем с помощью интервью и опросов. Недостаток состоит в том, что лишь немногие из доступных наборов данных содержат информацию о связях. А без этого невозможно построить сеть для анализа. Для обеих форм сбора данных хорошей практикой является сбор как можно большего количества данных о характеристиках субъектов сети. С точки зрения сетевого анализа, эти характеристики называются атрибутами. Также все большее распространение получает использование данных социальных сервисов (Facebook, Instagram и т.п.) и других данных, которые можно получить с помощью интернет-технологий. Следующим этапом сетевого анализа является организация собранных данных для целей анализа. Большинство сетей в инновационных исследованиях являются одномодальными, то есть такими сетями, в рамках которых все субъекты можно связать непосредственно друг с другом, использую любые формы допустимых связей. Различают также двумодальные (бимодальные или аффилиативные) сети. Двумодальные сети – это такие сети, где субъекты соединены посредством членства в каких-либо группах или событиях. В одномодальных сетях с n узлами, данные организованы в матрице n*n. Наличие связи между двумя субъектами обозначается как 1, ее отсутствие – как 0. В двумодальных сетях с количеством узлов n и количеством групп или событий – m, данные организованы в матрицу размерностью m*n. Участие отдельного субъекта в конкретной группе или событии обозначается как 1, отсутствие участия – 0. Анализ таких сетей обычно требует специального программного обеспечения. 3 Краткий обзор использования сетевого анализа в исследовании инноваций Концепция сети используется в целом ряде направлений в исследовании инноваций. На наиболее фундаментальном уровне, идеи сетевого анализа используются для получения ответов на два основных вопроса. Во-первых, целый ряд исследований основывается на предпосылке, что чем больше связей имеют агенты сети, тем лучше. В рамках данного подхода, методы сетевого анализа используются для анализа количества связей, имеющихся у агентов в рамках той или иной сети. Во-вторых, существует аналитическая перспектива, которая рассматривает структуру инновационной сети в целом и основана на предпосылке, что эти структуры сотрудничества будут существенно влиять на инновационные результаты. Оба этих подхода используются на самых различных уровнях анализа. Они могут рассматривать межличностные сети между отдельными людьми, действующими как внутри отдельных фирм, так и в рамках большого количества фирм. Межфирменное сотрудничество – еще одни распространенный уровень анализа, в данном случае анализируются уже сети фирм, как в рамках одного региона, так и одной цепочки поставок или отрасли. Также анализируются сети сотрудничества между географическими регионами, которые могут быть представлены как сети сетей, поскольку субъекты внутри региона – это кластеры или фирмы, которые также имеют сетевую структуру. Существуют общие доказательства того, что сети, которые делают возможным связывание разнородных наборов знаний, в результате приводят к большим инновациям. Также, исследования сетей показывают, что агенты сети, которые являются связующим звеном в разрывах или пробелах (или “структурных дырах”) имеют более высокую инновационную результативность по сравнению с другими агентами сети. Такие же выводы можно сделать и из исследований роли слабых связей (когда субъекты имеют относительно редкий контакт друг с другом), которые показывают, что соединение разнородных групп может поддержать инновации. Один из принципов для построения сетей – “закон близости” (Reagans, 2011) – вероятность формирования связей определяется физической близостью, что продемонстрировано многочисленными исследованиями. Построение эффективных сетей требует непосредственного контакта людей друг с другом. Этот факт имеет важные последствия для проектирования инновационной среды и рабочих мест. Таблица 1. Ключевые параметры сети и их связь с инновационной результативностью (Steen and Macaulay, 2012) Концепции Сетевые параметры Авторы Связь с инновациями Неформальная власть Центральность Freeman (1979) Bonacich (1987) Власть обеспечивает акторов более широким доступом и контролем над ресурсами. Акторы с более высокой степенью центральности могут использовать эти преимущества для улучшения инновационной результативности Сила связей Частота взаимодействия. Частота взаимодействия определяет сильные связи Granovetter (1973) Сильные связи, вероятно, связаны с избыточной информацией. Слабые связи передают новую информацию. Таким образом, сильные связи связаны с использованием знаний, а слабые – являются источниками информации Социальный капитал: структурные пустоты Меры ограничений: степень, в которой связи актора не избыточны Burt (1992) Актор, который охватывает множество социальных миров может извлечь выгоду из перемещения информации и идей между этими контекстами. Структурная пустота описывает ситуацию, когда актор не просто охватывает эти социальные миры, но охватывает в противном случае плохо связанные миры. Разнообразие информации являющееся результатом такой структурной позиции дает акторам явное преимущество. Повышение инновационной результативность является лишь одним из многих результатов Социальный капитал: смыкание Плотность Coleman (1990) Плотность отношений в рамках социальной сети улучшает координацию и снижает риски обмена. Организации (проектные команды, фирмы) с такими структурными свойствами имеют большие шансы на успех в инновациях. Первые исследования сетей продемонстрировали убедительные доказательства, что формирование новых связей в сети соответствовало схеме “богатый становится богаче”. Этот феномен получил название “предпочтительное присоединение”. Такой характер распределения связей возникает тогда, когда шансы образования новой связи внутри сети, которая может быть сформирована с конкретным субъектом, пропорциональны числу связей, которые уже имеет данный субъект. Иными словами, новые связи будут возникать у субъектов, которые и так уже имеют относительно много связей. Однако, все больше доказательств появляется, что это далеко не всегда так, и ключевым фактором развития сети становится такое явления как взаимность (применение принципа на практике – появление в социальных сервисах кнопки “лайк”). Также, выводы современных исследования ставят под вопрос предположение, что чем большим количеством связей обладает тот или иной субъект, тем лучше его инновационная результативность. Основной вывод – если число источников открытых инноваций (сетевых соединений) расположить на диаграмме напротив инновационной результативности, то она будет иметь форму обратной U. Таким образом, увеличение сетевых связей увеличивает результативность до определенной точки, после чего она снижается по мере дальнейшего увеличения сетевых соединений. Все традиционные сетевые методы – основаны на бинарных сетях. При этом, связь между двумя акторами либо присутствует, либо отсутствует – недостаток – с их помощью очень трудно определить качество связей между участниками. Одно из знаковых сетевых исследований – исследование Granovetter (1973) – как люди находят работу. В этой работе рассматриваются эго-сети, данные о которые были получены путем опросов людей на предмет того, насколько хорошо они знали других в своих сетях. Затем эти связи были отсортированы на сильные и слабые. Результат был неожиданным – люди гораздо чаще получали новую работу благодаря слабым связям, а не сильным. Объяснение этого заключается в том, что слабые связи, могут стать источником информации от более широкого круга людей, поскольку их поддержание проще и возможно с большим количеством других акторов. Выводы Идеи появляются как сети в головном мозге, а затем развиваются и находят свое воплощение в жизни в рамках сетей людей и организаций. Современные методы сетевого анализа обеспечивают возможности для изучения этого процесса. Они могут быть использованы для исследования и оценки процессов формирования и развития сетей, которые играют центральную роль в развитии и распространении инноваций. Инновации лучше всего рассматривать на системном уровне. Применение методов сетевого анализа к инновационным сетям может обеспечить важные идеи для лучшего понимания связанных с ними проблем. Лица, ответственные за управление инновациями в организациях не могут позволить себе иметь дело только с внутренними процессами. Их системы и подходы должны учитывать взаимодействия со сложной средой, в которой они работают. Это предполагает работу с множеством разнообразных субъектов на протяжении всего инновационного процесса: от генерации идей до их реализации и диффузии. Каждый из этих видов деятельности может быть проанализирован на сетевом уровне. Кроме того, сетевой взгляд имеет решающее значение для управления этим процессом. Это связано с тем, что обеспечение эффективности в каждом виде деятельности предполагает использование различных сетевых структур. Для инновационного менеджмента может быть очень полезно использование сетевого мышления, даже если оно и не будет включать в себя строгий и формальный сетевой анализ. При рассмотрении вопросов о централизация или децентрализация исследований и разработок, или как наилучшим образом управлять распределенными открытыми инновациями, менеджеры сталкиваются с сетевыми вопросами. Сетевое мышление может оказать существенную помощь в создании более эффективных организационных структур, необходимых для обеспечения инноваций. Чтобы понять, какие структуры и в каких обстоятельствах лучше работают, исследователям необходимо использовать сетевой анализ. Результаты таких исследований могут быть использованы для разработки нормативных руководящих принципов для менеджеров. Сетевой анализ по самой своей природе является междисциплинарным и использует множество методов. Это отличный инструмент для анализа многоуровневых систем. Поскольку данный подход уходит своими корнями в теорию сложных систем, то он хорошо подходит для анализа сложных адаптивных систем, таких как фирма или сетевой альянс и всего, что основано на взаимодействии между людьми. Инновации являются драйверами роста в таких системах, и сетевой анализ является важным инструментом для развития более точного понимания того, как это происходит. Управление инновациями может быть значительно улучшено за счет лучшего понимания того, как работают сети, как они формируются и как лучше всего управляются. Сетевой анализ не является панацеей, но понимание сетей и сетевых концепций – важные инструменты как для изучения, так и для управления инновациями.