Studien zu Wissen und seiner Diffusion in Innovationsnetzwerken

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:100-opus-16151
URL: http://opus.uni-hohenheim.de/volltexte/2019/1615/

pdf-Format:		Dokument 1.pdf (4.393 KB)
Dokument in Google Scholar suchen:
Social Media:
Export:
Abrufstatistik:
SWD-Schlagwörter:		Wissen , Diffusion , Netzwerk , Bioökonomie , Kooperation
Freie Schlagwörter (Deutsch):		Wissensdiffusion , agentenbasierte Modellierung , Soziale Netzwerkanalyse
Freie Schlagwörter (Englisch):		Knowledge , Knowledge Diffusion , Innovation Networks , Bioeconomy , Agent-Based Modelling
Institut:		Institut für Volkswirtschaftslehre
Fakultät:		Fakultät Wirtschafts- und Sozialwissenschaften
DDC-Sachgruppe:		Wirtschaft
Dokumentart:		Dissertation
Hauptberichter:		Pyka, Andreas Prof. Dr.
Sprache:		Englisch
Tag der mündlichen Prüfung:		30.04.2019
Erstellungsjahr:		2019
Publikationsdatum:		21.05.2019
Lizenz:		Veröffentlichungsvertrag mit der Universitätsbibliothek Hohenheim ohne Print-on-Demand
Kurzfassung auf Englisch:		Knowledge is a key resource, allowing firms to innovate and keep pace with national and international competitors. Therefore, the management of this resource within firms and innovation networks is of utmost importance. As the collection and generation of (new) knowledge gives such competitive advantage, there is a strong interest of firms and policy makers on how to foster the creation and diffusion of new knowledge. Within four studies, this doctoral thesis aims at extending the literature on knowledge diffusion performance by focussing on the effect of different network structures on diffusion performance as well as on knowledge types besides mere techno-economic knowledge. Study 1 analyses the effect of different structural disparities on knowledge diffusion by using an agent-based simulation model. It focuses on how different network structures influence knowledge diffusion performance. This study especially emphasizes the effect of an asymmetric degree distribution on knowledge diffusion performance. Study 1 complements previous research on knowledge diffusion by showing that (i) besides or even instead of the average path length and the average clustering coefficient, the (symmetry of) degree distribution influences knowledge diffusion. In addition, (ii) especially small, inadequately embedded agents seem to be a bottleneck for knowledge diffusion in this setting, and iii) the identified rather negative network structures on the macro level seem to result from the myopic linking strategies of the actors at the micro level, indicating a trade-off between ‘optimal’ structures at the network and at the actor level. Study 2 uses an agent-based simulation model to analyse the effect of different network properties on knowledge diffusion performance. In contrast to study 1, this study analyses this relationship in a setting in which knowledge is diffusing freely throughout an empirical formal R&D network as well as through four benchmark networks. In addition, the concept of cognitive distance and differences in learning between agents in the network are taken into account. Study 2 complements study 1 and further previous research on knowledge diffusion by showing that (i) the (asymmetry of) degree distribution and the distribution of links between actors in the network indeed influence knowledge diffusion performance to a large extend. In addition, (ii) the extent to which a skewed degree distribution dominates other network characteristics varies depending on the respective cognitive distance between agents. Study 3 analyses how so called dedicated knowledge can contribute to the transformation towards a sustainable, knowledge-based Bioeconomy. In this study, the concept of dedicated knowledge, i.e. besides mere-techno economic knowledge also systems knowledge, normative knowledge and transformative knowledge, is first introduced. Moreover, the characteristics of dedicated knowledge which are influencing knowledge diffusion performance are analysed and evaluated according to their importance and potential role for knowledge diffusion. In addition, it is analysed if and how current Bioeconomy innovation policies actually account for dedicated knowledge. This study complements previous research by taking a strong focus on different types of knowledge besides techno-economic knowledge (often overemphasized in policy approaches). It shows, that i) different types of knowledge necessarily need to be taken into account when creating policies for knowledge creation and diffusion, and ii) that especially systems knowledge so far has been insufficiently considered by current Bioeconomy policy approaches. Study 4 analyses the effect of different structural disparities on knowledge diffusion by deducing from theoretical considerations on network structures and diffusion performance. The study tries to answer whether the artificially generated network structures seem favourable for the diffusion of both mere techno-economic knowledge as well as dedicated knowledge. Study 4 especially complements previous research on knowledge diffusion by (i) analysing an empirical network over a long period of time, and (ii) by indicating a potential trade-off between structures favourable for the diffusion of mere techno-economic knowledge and those for the diffusion of other types of dedicated knowledge. Summing up, it is impossible to make general statements that allow for valid policy recommendations on network structures ‘optimal’ for knowledge diffusion. Without knowing the exact structures and context, politicians will hardly be able to influence network structures. Especially if we call for knowledge enabling transformations as the transformation towards a sustainable knowledge-based Bioeconomy, creating structures for the creation and diffusion of this knowledge is quite challenging and needs for the inclusion and close cooperation of many different actors on multiple levels.
Kurzfassung auf Deutsch:		Wissen ist eine Schlüsselressource. Daher ist die Verwaltung dieser Ressource in Unternehmen und Innovationsnetzwerken von größter Bedeutung. Da das Sammeln und Generieren von (neuem) Wissen einen derartigen Wettbewerbsvorteil bietet, besteht ein starkes Interesse seitens Unternehmen und politischen Entscheidungsträgern, die Schaffung und Verbreitung von neuem Wissen zu fördern. Im Rahmen dieser Doktorarbeit soll in vier Studien die Literatur zu Wissensdiffusion erweitert werden, indem die Auswirkungen verschiedener Netzwerkstrukturen sowie die verschiedener Wissensarten in den Mittelpunkt gestellt werden. Studie 1 analysiert die Auswirkungen struktureller Unterschiede auf die Wissensdiffusion unter Verwendung eines agentenbasierten Simulationsmodells. Der Fokus liegt hierbei darauf, wie verschiedene Netzwerkstrukturen die Leistung der Wissensverbreitung beeinflussen. Diese Studie betont insbesondere den Effekt einer asymmetrischen Gradverteilung auf die Wissensdiffusionsleistung. Studie 1 ergänzt bisherige Arbeiten zu Wissensdiffusion, indem sie zeigt, dass (i) neben oder sogar anstelle der durchschnittlichen Pfadlänge und des durchschnittlichen Clustering-Koeffizienten die (Symmetrie der) Gradverteilung die Wissensdiffusion stark beeinflusst. Außerdem scheinen (ii) besonders kleine, unzureichend eingebettete Akteure ein Engpass für die Wissensverbreitung in diesem Umfeld zu sein. Studie 2 verwendet ein agentenbasiertes Simulationsmodell, um die Auswirkungen verschiedener Netzwerkeigenschaften auf die Leistung der Wissensdiffusion zu analysieren. Im Gegensatz zu Studie 1 analysiert diese Studie die freie Verbreitung von Wissen in einem empirischen, formalen FuE-Netzwerk sowie in vier Benchmark-Netzwerken. Darüber hinaus werden das Konzept der kognitiven Distanz und Unterschiede beim Lernen zwischen Agenten im Netzwerk berücksichtigt. Studie 2 ergänzt Studie 1 und weitere Forschung, indem sie zeigt, dass (i) die (Asymmetrie) der Gradverteilung und die Verteilung der Verbindungen zwischen den Akteuren des Netzwerks tatsächlich die Leistung der Wissensdiffusion stark beeinflussen. (ii) Das Ausmaß, in dem eine Verteilung der Verbindungen andere Netzwerkcharakteristiken dominiert, variiert in Abhängigkeit von der jeweiligen kognitiven Entfernung zwischen den Agenten. In Studie 3 wird analysiert, wie sogenanntes dediziertes Wissen zur Transformation hin zu einer nachhaltigen, wissensbasierten Bioökonomie beitragen kann. In dieser Studie wird zunächst das Konzept des dedizierten Wissens eingeführt, d. H. neben rein techno-ökonomischem Wissen auch Systemwissen, normatives Wissen und transformatives Wissen. Darüber hinaus werden die Merkmale des dedizierten Wissens analysiert und entsprechend ihrer Bedeutung und möglichen Rolle für die Wissensverbreitung bewertet. Darüber hinaus wird analysiert, ob und wie die aktuelle Innovationspolitik der Bioökonomie tatsächlich dediziertes Wissen berücksichtigt. Diese Studie ergänzt die bisherigen Forschungsarbeiten, indem sie neben technoökonomischem Wissen (das in politischen Ansätzen oft überbewertet wird) einen starken Fokus auf verschiedene Arten von Wissen legt. Es zeigt sich, dass i) unterschiedliche Arten von Wissen notwendigerweise bei der Erstellung von Strategien zur Schaffung und Verbreitung von Wissen berücksichtigt werden müssen, und ii) dass insbesondere Systemwissen bislang in aktuellen Bioökonomiepolitikstrategien nicht ausreichend berücksichtigt wurde. Studie 4 analysiert die Auswirkungen verschiedener struktureller Ungleichheiten auf die Wissensdiffusion, indem aus theoretischen Überlegungen die Diffusionsleistung hergeleitet wird. Die Studie versucht zu beantworten, ob die künstlich erzeugten Netzwerkstrukturen für die Verbreitung von rein technoökonomischem Wissen sowie von dediziertem Wissen günstig erscheinen. Studie 4 ergänzt insbesondere die bisherigen Forschungsarbeiten, indem sie (i) ein empirisches Netzwerk über einen langen Zeitraum analysiert und (ii) einen potenziellen Zielkonflikt aufzeigt zwischen Strukturen, die für die Verbreitung von rein technoökonomischem Wissen günstig sind, und solchen für die Verbreitung anderer Arten von dediziertem Wissen. Zusammenfassend lässt sich sagen, dass es nicht möglich ist, allgemein gültige Aussagen und politische Handlungsempfehlungen zu ‚optimalen‘ Netzwerkstrukturen zu treffen. Ohne die genauen Strukturen und Zusammenhänge zu kennen, kann die Politik kaum Einfluss auf Netzwerkstrukturen und Wissensverbreitung nehmen. Insbesondere wenn wir nach Wissen verlangen, das eine Transformation zu einer nachhaltigen, wissensbasierten Bioökonomie ermöglicht, stellt die Schaffung von Strukturen für die Verbreitung dieses Wissens eine große Herausforderung dar und erfordert die Einbindung und enge Zusammenarbeit vieler verschiedener Akteure auf mehreren Ebenen.

© 1996 - 2016 Universität Hohenheim. Alle Rechte vorbehalten.  10.01.24