samenvatting

Cover Page
The handle http://hdl.handle.net/1887/32003 holds various files of this Leiden University
dissertation
Author: Yuanyuan Zhao
Title: Modelling the dynamics of the innovation process : a data-driven agent-based
approach
Issue Date: 2015-02-17
Samenvatting
SAMENVATTING
Innovatie is een fascinerende proces om te bestuderen. Daarnaast is het zeer relevant
om dit proces nader te onderzoeken, vooral bestuurlijk gezien en ook theoretisch
gezien. (1) Bestuurlijk: innovatieprocessen zijn cruciaal bij het bepalen van de
economische groei van een land, het succes van een onderneming en de
levensstandaard van de mensen. (2) Theoretisch: innovatieprocessen zijn inherent
dynamische fenomenen die dynamische theorieën nodig hebben om begrepen te
worden.
Edoch, een goed begrip van de dynamiek van innovatieprocessen, waarbij uitgelegd
wordt hoe en waarom innovaties evolueren in de tijd, bestaat nog altijd niet.
Technologische innovatie is een multi-niveau fenomeen. De bestaande theorieën
richten zich of wel op het micro-niveau van de operationele gegevens of op het macroniveau van geaggregeerde trends. Deze theorieën missen evenwel een systematische
visie op innovatieprocessen, en dat leidt weer tot een onvoldoende begrip van de
dynamiek van technologische innovatie.
Het beperkte inzicht in de dynamiek van innovatieprocessen maakt de besluitvorming
over innovatie moeilijk. Besluitvormers, zoals innovatie-beleidsmakers en innovatiemanagers, beschikken niet over een geavanceerde en realistische procestheorie om hen
de weg te wijzen door de wirwar van innovatieprocessen.
Het modelleren van de dynamiek van innovatieprocessen om tot een geavanceerde
procestheorie te komen is moeilijk, vooral omdat de empirische basis voor
innovatieprocessen theorieën vereist over grote hoeveelheden gegevens. Het
verzamelen van deze gegevens is een moeilijke en arbeidsintensieve onderneming.
Maar tegenwoordig, met de huidige ontwikkeling van Internet en geavanceerde
computertechnologie, kunnen de grote hoeveelheden gegevens veel gemakkelijker en
goedkoper worden vastgelegd en opgenomen. Dit betekent dat we de werkelijke
innovatieprocessen opnieuw dienen te onderzoeken. De beschikbaarheid van grote
hoeveelheden gegevens stelt ons in staat zicht te krijgen op de details van de
onderliggende innovatieprocessen en om patronen die nodig zijn voor adequate
ondersteuning van de besluitvorming te onderzoeken.
Met deze achtergrond wordt in dit onderzoek de volgende probleemstelling (PS)
verkend.
Samenvatting
PS: In hoeverre kunnen de nieuwe beschikbare grote hoeveelheden gegevens worden
gebruikt om de besluitvorming over innovaties te verbeteren?
Vanuit de bovenstaande probleemstelling, hebben we vier onderzoeksvragen (OVen)
afgeleid. Onderzoeksvraag 1: Is het mogelijk om een data-gestuurde
modelleringsmethode voor het bestuderen van innovatieprocessen te ontwikkelen?
Onderzoeksvraag 2: Is het mogelijk om een geavanceerd model dat in staat is om twee
schijnbaar tegenstrijdige modellen, namelijk het lineaire innovatiemodel en het
cyclische innovatiemodel?
Onderzoeksvraag 3: Wat betekent emergentie? En wat is het onderliggende
mechanisme dat de emergentie vanuit technologische innovaties voortbrengt?
Onderzoeksvraag 4: Is het mogelijk om het emergente proces van innovatie te
simuleren om zo de besluitvorming door innovatie-managers en beleidsmakers te
ondersteunen?
Om de bovenstaande onderzoeksvragen te adresseren, maken we gebruik van een
theoretisch kader van innovatieve systeemfuncties. We richten ons vervolgens op de
interactiepatronen tussen deze functies. Functies verwijzen naar activiteiten die
betrokken zijn bij een innovatieproces, en niet naar de acteurs. Op deze wijze leiden de
functies tot een dynamische benadering van het modelleren. We laten vervolgens zien
hoe deze functies kunnen worden gebruikt om bij te houden wat er na verloop van tijd
werkelijk gebeurt in innovatieprocessen.
Naast de theoretische basis gebruiken we drie uitvoerig gedocumenteerde case studies.
Hun identificatie is: (1) de Nylon casus, (2) de SSRI casus, en (3) de Teflon casus. De
historische gegevens zijn afkomstig van het internet, relevante boeken en
wetenschappelijke publicaties.
Hieronder geven we een korte samenvatting van elk hoofdstuk.
Hoofdstuk 1 geeft een bescheiden inleiding op de motivatie van dit onderzoek. Het
beschrijft het belang van innovatie en de moeilijkheid van de besluitvorming tijdens
innovaties. De recente beschikbaarheid van grote hoeveelheden data wordt benadrukt;
dit kan immers leiden tot effectievere besluitvorming bij innovaties.
Hoofdstuk 2 geeft antwoord op OV1. Dit hoofdstuk beschrijft een nieuwe datagestuurde modelleringsmethode voor innovatieproces-studies. De methode beoogt te
profiteren van de snelle ontwikkeling van Internet en de digitale gegevensbronnen om
uiteindelijk een geavanceerde procestheorie te ontwikkelen. We krijgen grip op de
248
Samenvatting
uitwisseling van de mainstream benaderingen die ofwel (1) rijke beschrijvingen van
individuele gevallen bevatten of (2) gegeneraliseerde maar ondiepe modellen
aanbieden. De uitwisseling van onsamenhangende details wordt overwonnen door het
combineren van kwalitatieve, kwantitatieve en simulatie-analyse.
Hoofdstuk 3 geeft antwoord op OV2. Dit hoofdstuk past de data-gestuurde
modelleringsmethode die ontwikkeld is in hoofdstuk 2 toe op de algemene structuur
van innovatieprocessen. Er wordt een geï
ntegreerd innovatie-model geformuleerd dat is
ontworpen op basis van het begrijpen van de meer fijnkorrelige patronen die ten
grondslag liggen aan innovaties. In het bijzonder kunnen we stellen dat ons model de
schijnbaar tegenstrijdige modellen, namelijk het lineaire innovatiemodel en het
cyclische innovatiemodel, adequaat integreert. Door middel van het modelleren van
activiteiten en het identificeren van interactiepatronen van de activiteiten, is dit
hoofdstuk in staat om de consistentie van de verschillende perspectieven te laten zien.
Hoofdstuk 4 geeft antwoord op OV3. Dit hoofdstuk onderzoekt de emergente
eigenschappen van innovatiesystemen en geeft bestuurlijke adviezen over hoe de
emergentie van technologische innovaties mogelijk gemaakt kan worden. Eerst wordt
een expliciete definitie van emergentie gegeven. Vervolgens wordt een theoretische
verklaring van het onderliggende mechanisme van emergentie geformuleerd. Daarna
wordt uiteengezet wat R&D en innovatie-managers kunnen doen om emergentie te
gebruiken.
Hoofdstuk 5 geeft antwoord op OV4. Dit hoofdstuk beschrijft een simulatiemodel
van het emergente gedrag van technologische innovaties. De emergentie wordt
gesimuleerd als een collectieve geordende verzameling die het gevolg is van actiereactie ketens van heterogene activiteiten. Het simulatiemodel is gekalibreerd en
geverifieerd met behulp van een casus over empirische innovatie, namelijk de Nyloninnovatie. Zeven what-if scenario's zijn ontworpen om het effect van verschillende
interventies op het innovatietraject te testen.
Hoofdstuk 6 eindigt met een samenvatting van de antwoorden op de onderzoeksvragen
1 tot 4 en het geven van een antwoord op de probleemstelling. Er vindt reflectie plaats
over de belangrijkste bijdragen en beperkingen van het onderzoek. Voorts worden er
aanbevelingen gedaan voor toekomstig onderzoek.
De studie kent drie belangrijke bijdragen. (1) De studie draagt bij aan Data Science
door een nieuwe benadering van kwalitatieve gegevens te analyseren. (2) Het draagt bij
aan de theorievorming over het innovatieproces door middel van een geavanceerd
innovatiemodel dat schijnbaar tegenstrijdige innovatie-modellen combineert alsmede
door middel van theoretisch onderzoek naar de emergentie van technologische
249
Samenvatting
innovaties. (3) Het draagt bij aan de besluitvorming over innovaties door het
verstrekken van een meer omvattend begrip over hoe en waarom innovatie evolueert in
de tijd, als ook door de beschrijving van een simulatiemodel voor de ondersteuning van
de besluitvorming. Tenslotte geeft de thesis een visie op de toekomst. We stellen voor
om de samenwerking tussen data science en social science te intensiveren.
250

Download Report