Tijdschrift voor Econn~llieen Management
Vol.XL, 1; 1995
N e t w e r k v s r m i ~in R&D: implicaties voos het management van technische professionals door B. CLARYSSE'",K. DEBACKERE':' en R. VAN DIERDONCIC"
I. INLEIDING Nieuwe wetenschappelijke en technische disciplilles ontstaan niet in een vacuum. Integendeel, ze zijn het resultaat van de creatieve inspanninge~lvan onderzoekers die daardoor nieuwe ideeen en technieken genereren (Allen (1966), Constant (1980), Laudan (1984), Layton (1974) en (1977), Root-Bernstein (1989), Rosenberg (1982) en Van de Ven (1993)). Deze ideeen en technieken, eens gelegitimeerd, gaan op hun beurt deel uitlnaken van wat met een nogal abstract begri;; als het wetenschappelijk of technalogisch 'kennisreservoir' bestempeld wordt. Dit uitgangspunt heeft een aantal belangrijke consequenties voor de studie van het proces van technologische ontwikkeling. Immers, het impliceert dat de analyse van de manier waarop onderzoekers kennis creeren en verspreiden inzichten kan verschaffen in de genese van nieuwe technologieen. Een aantal algemeen aanvaarde modellen (Crane (1972), Nelson en Winter (1982) en Sahal (1981)) stellen dit proces vaak voor als de cumulatieve aangroei van ideeen en technielten. Weliswaar kunnen er bijwijlen discontinu'itei". Seminarie voor Produktie- en Technologiebeleid, De Vlerick School voor Management, Universiteit te Gent, Gent. Dit onderzoek kwam tot stand dankzij de steun van het NFWO, het Vlaanls Actieprogrammn Biotechilologie en het Internatiolial Center for the Research on the Management of Technology van het Massachusetts Institute of Technology. Keen Debackere is Aangesteld Navorser NFWO. Eel1 vorige versie van dit artikel werd gepresenteerd op het Txveede Congves van de Nederlands-Vlaamse Academie voor Management, Universiteit Antwerpen, 4 februari 1994.
ten optreden die dit cumulatief proces verstoren, doch deze zijn veeleer uitzondering dan regel (Dosi (1982), Kuhn (1970), Rosenberg (1982) en Tushman en Anderson (1986)). Het cumulatief karakter van technologische vooruitgang heeft echter belangrijke implicaties voor het gedrag van de onderzoekers die het techllologisch momentum creeren. In het bijzonder, elkeen vertrouwd met de aard van onderzoeks- en ontwikkelingswerk zal beseffen dat onderznekers zich eerst een aanzienlijke hoeveelheid kennis dienen eigen te maken vooraleer ze werkelijli kunnen bijdragen tot kenniscreatie in een bepaald vakgebied. Zo schat Herbert Simon dat het in bepaalde gevallen tot tien jaar kan duren vooraleer een onderzoekei- echt 'rendabel' wordt en als 'expert' in zijn valigebied kan aanzien worden. Immers, vooraleer onderzoekers actief kcunnen hijdragen tot kenniscreatie in een bepaald domein dienen ze eerst eel1 aanzienlijke hoeveelheid 'tacit knowledge' te venverven (Collins (1974) en Polanyi (1958)). Met gevolg van dit alles is dat onderzoekers minstens gedurende een bepaalde tijdsspanne moeten volharden in hun inspanningen om nieuwe technologieen te ontwikkelen willen ze een daadwerkelijke bijdrage leveren tot de aangroei van kennis in hun vakgebied. Volharden in een specifieke onderzoeksrichting heeft echter ook zijn schaduwzijden. Zo waarschuwt Ziman (1987) voor de dalende marginale opbrengst in kenniscreatie wanneer een onderzoelier a1 t6 lang dezelfde paden blijft bewandelen. Te lang actief blijven op een onderzoeksondenverp leidt immers tot een soort 'biindheid,' dikwijis aangeduid als het 'Not-Iilvented-Here' syndroom, waardoor de onderzoeker zich gaat isoleren van teclanologische evc~lutiesdie niet direct met zijn specifieke onderzoeksagenda te maken hebben (Katz en Allen (1982)). Het is dan ook niet te venvonderen dat sociologische studies (Gieryn (1978)) aangetoond hebben dat de meer productieve oilderzoekers constant op twee tot drie verschillende onderzoeksagenda's werken, ook a1 kan tijdelijk Cen specifiek ondenverp het grootste deel van hun creatieve energie opslorpen. Bovendien komt uitgebreid empirisch onderzoek tot de conclusie dat het gezond is dat een onderzoeker on1 de vijf tot tieii jaar eeii significante herorientatie van zijn of haar onderzoeksinteresses ovenveegt (Bailyn (1982), Gieryn (1978) en Pelz en Andrews (1966)). De conclusies uit dergelijk onderzoek zijn duidelijk, doch terzelvertijd paradoxaal. Immers, een minimum aan volharding is noodzakelijk wil men tot daadwerkelijke keilniscontributies komen, tenvijl
we anderzijds vaststcllcn dat ccn tevccl aan volharding op zijn beurt evenmin zonder (zij het dan minder positieve) gevolgen is. Het is dus belangrijk dit fenomeen verder te onderzoeken. Nochtans bestaan er op het ogenblik weinig of geen systematische empirische studies die precies deze problematiek in detail bestudeerd hebben (Rappa en Debackere (1993a) en (1993b)). Meer in het bijzonder, welke factoren bepalen nu juist de mate waarin onderzoekers volharden in hun onderzoeksagenda? Het doe1 van dit artikel is dan ook een aantal, op empirie gebaseerde, inzichten te verschaffen in dit vraagstuk en de implicaties voor het management van onderzoek en ontwikkeling die eruit voortvloeien toe te lichten. Daartoe maken we gebruik van een door onszelf ontwikkelde bibliometrische benadering. Bij deze benadering worden via diverse e!ectroi~ischebronnen (Science Citatio~lIndex, Dia!og, Derwent, Inpadoc, Espace, ...) databanken samengesteld die wereldwijde literatuurgegevens en patentdata bevatten over specifieke vakgebieden. Deze benadering laat bovendien toe dat het ollderzoek in weZen longitudinaal wordt. Bij het opstellen van deze databanken wordt gebruik gelnaakt van de primaire informatie die in de brondocumenten aanwezig is. Zo bevat elk document inforrnatie omtrent de onderzoekers die aan een bepaald artikel of patent meegewerlit hebben, hun werkgever, het jaar van publicatie, sponsors van het onderzoeli etc. Deze gegevens worden uit de primaire databank gedistilleerd en in een nieuwe databank gecodeerd die geschikt is voor het ultvoeren van statistische analyses (Rappa en Debacliere (1992a)). Op de structuui van deze secundaire darabank en de verschillende variahelen wordt dieper ingegaan in het vervolg van dit artikel. Het uitgallgspunt voor onze analyses bestaat erin een inzicht te krijgen in de 'contributietijd' van individuele onderzoekers en na te gaan welke structurele en gedragsvariabelen in het vakgebied deze contributietijd positief beinvloeden. D e contributietijd is indicatief voor de periode gedurende de welke onderzoekers hun inspanningen in een gekozrn domein volhouden. Uiteraard vertreklteil we hierbij van de assumptie dat een onderzoelier enkel actief bijdraagt tot kenniscreatie in een bepaald vakgebied zolang hij publiceert of patenten neemt. Vooraleer in te gaan op een aantal empirische resultaten, is het dan ook nodig deze assuinptie in een juist perspectief te plaatsen. BeIangrijk daarbij is de keuze van een geschikt analyseniveau.
II. ONDERZDEKSGEMEENSCMAPPEN EN TECHNBLOGIEONTWIKKELING Talrijke studies hebben gepoogd de dynainiek van het innovatieproces te ontrafelen en tegelijk te zoeken naar factoren die het succes van technologische ontwikkelingeil kunrren verklaren. Voor een overzicht van deze studies verwijzen we m a r Katz (1988), Roberts (1987) of nog, Tushman en Moore (1988). Een voorname bekommernis van deze studies is het venverven van een inzicht in kritische succesfactore11 met betrekking tot het innovatieproces. Alhoewel ze oilgetwijfeld een aantal inzichtei~verschaft hebben in de werking van het innovatieproces, roepen ze toch diloivijls bedenkingen op die zowel van methodologische als van inhoudelijke aard zijn. De voornaamste methodologische kritiek kail als volgt samengevat worden (Mowery en Rosenberg (1979)). Nogal wat innovatiestudies zijn gebaseerd op eel1 post-hoc exploratie van het belang van diverse factoren (zoals de mate waarin een inarktbehoefte geidentificeerd is bij de aanvang van het project) in een vergelijkende analyse van technologische ontwikkelingen die succesvol versus niet-succesv01 bleken te zijn. Het is duidelijk dat het potentieel voor bias teilgevolge van post-hoc rationalisatie hierbij reeel is. Zelden of nooit werd een real-time analyse gemaakt van technologische ontwikkelingen om aldus na te gaan hoe verschillen in aanpak gedureilde het proces leiden :G: vcrschi!leii iii rcsultaat. T.Y7~orbec!dcn waar dczc real-time sanpali w6l toegepast werd zijn het werkvan Allen (1977) of Clark en Fujimoto (1991). Bovendien, zo stellen Mowery en Roseilberg (1979) terecht, is de definitie en de operationalisatie van de diverse theoretische concepten in de innovatieliteratuur niet steeds even consequent. Het begrip 'marktbehoefte' en zijn operationalisatie worden in die context vaak als typisch voorbeeld geciteerd. De inhoudelijlie kritiek heeft dan weer vooral betrekking op de wijze waarop het innovatieproces benaderd wordt. Enerzijds hebben veel studies zich toegespitst op de bedrijfsinterne omgeving. Samengevat komt het erop neer dat men ilagaat hoe de strategie van een onderneming, haar organisatiestructuur, evenals het profiel van en het beleid naar de innovatieve medewerkers toe de innovatieve performantie op ondernemingsniveau belnvloeden. Daarbij wordt we1 steeds gesteld dat de bedrijfsexterne' omgcving zcer belangrijk is, zeker wanileer het gaat om technologische innovaties. Jammergenoeg worden
de dynamick en dc rol van die bcdrijfscxtcrnc, tcchnologische omgeving in het innovatieproces zelden of nooit gedetailleerd bestudeerd. Anderzijds hebben innovatiestudies vaak de neiging het innovatieproces te beperken tot het ontwikkelen van nieuwe produkten. Onderzoek en ontwikkeling (verder afgekort als 0 & 0 ) wordt hierbij vaak gelijkgesteld met het ontwikkelen van een nieuw produkt, bijvoorbeeld een nieuwe CD-speler die een reeks functionaliteiten bezit waarover de vorige generatie niet beschikte. In deze optiekvolgt managemeiltonderzoek dus de industriele interpretatie van 0 & 0 , die vaak zeer breed is en waarbij men het eerder heeft over produktontwikkeling. In deze context wordt de laatste jaren ook meer en meer de nadruk gelegd op het verkorten van ontwerptijden, 'time-based competition' en het inkrimpen van produktlevenscycli (Clark en Fujimoto (1992) er? Weelwright er? C!ark (1992)). Alhoewel deze inzichten uiterinate belangrijli zijn voor het management van het innovatieproces, vergt de verdere studie ervan complementaire benaderingen. Eerst en vooral, is het nodig te beseffen dat technologie in de eerste plaats bestaat uit kennis over het waarom en het hoe, veeleer dan uit specifieke produkten of processen (Layton (1974) en (1977), Laudan (1984) en Staudenmaier (1989)). Pi-odukten en processen zijn als het ware de afgeleide van deze kenniscreatie. Ten tweede, door de toenemende nadruk op het verkorten van produktlevenscycli is de verleiding reeel om deze trend te extrapoleren naar om het even welk facet van het proces van technologie-ontwikkeling. Wiets is echter minder waar. Onze ervaring leert dat, gemiddeld genomen, de tijd nodig voor het ontwikkeleil van fundamenteel nieuwe technologieen (gaande van de eerste concepten tot crommercieel leefbare produkten) nog steeds ettelijke (tientallen) jaren in beslag neemt (Debackere, Clarysse et al. (1994)). Tot slot, door zich t6 sterk op bedrijfsinterne processen toe te spitsen, dreigt men uit het oog te verliezeil dat technologie-ontwikkeling een steeds belangrijkere netwerk-dimensie krijgt. In veel gebieden (denken we lnaar op het vlak van telecoinmunicatie) wordt het uiterst moeilijk om alle kennis nodig voor het ontwerpen van een nieuw produkt of proces in huis te hebben, laat staan om actief het volledig proces van kennis-ontwikkeling en -applicatie binnen 66n enkele onderneming te beheersen (Freeman en Barley (1990), Powell (1990) en Williamson (1991)). Het gevolg van deze benadering is dan ook dat innovatie onderzoek tot op heden zelden interesse betoond heeft voor een gedetaiileerde studie van het ontstaansproces van nieuwe technologieen (Van
de V e ~ (1993)). i 0111 dit te due11 moet men immers duideiijk de grenZen van de individuele onderneming overstijgen. De vraag die zich dan onmiddellijk opdringt is er ken van niveau van analyse. Als de onderneming geen geschikt uitgangspunt biedt, welk niveau van analyse dan wel? 111de introductie hebben we reeds de voor- en nadeleil van het lange tijd actief blijven in een specifiek onderzoeksdomein aangehaald. Deze discussie suggereert echter tell onrcchtc dat onderzoekers eerder onafllankelijk van elkaar werken. Het is inderdaad meer realistisch aan te nemen dat onderzoekers op een aantal manieren met elkaar samenwerken. Dergelijke samenwerkingen zijn noodzakelijk omdat 6kn onderzoeker meestal niet in staat is een complex technologisch probleem alleen op te lossen (Metcalfe en Soete (1983)). Het gevolg hiewan is dat techr,o!ogische kenniscreatie niet enke! een cumulatief gebeuren is, doch dat het evenzeer een collectieve aanpak vereist. Dit alles betekent echter dat het ontwikkelingsproces van nieuwe technologieen onmogelijk nog uitsluitend kan bestudeerd worden vanuit de invalshoek van e h organisatie, ook a1 gaat het hier om AT&T, Du Pont of IBM. Een ruimer perspectief is nodig. Vandaar het concept van de onderzoeksgemeenschap (Rappa en Debackere (1992a) en (1992b) en Debackere en Rappa (1994b)). Deze laatste bestaat uit de onderzoekers (wetenschappers en ingenieurs) die kennis creeren en toepassen in een specifiek technologisch domein zoals, bijvoorbeeld, RISC, GaAs, of transgene planten. Deze onderzoekers zijn verspreid over een diversiteit aan organisaties (universiteiten, ondernemingen, en overheidslabo's). Een fundamentee! k e n ~ e r kis echter dat ze via diverse kanalen (publicaties, presentaties op congressen en symposia, e.d.) informatie doorspelell aan elkaar. Met andere woorden, in de context van de onderzoeksgemeenschap kan cumulatieve kenniscreatie beschouwd worden als een gevolg van de collectieve inspanningen van honderden (zelfs duizenden) onderzoekers die op formele kn informele wijze met elkaar samenwerken en communiceren. DP v r a ~ gnaar cle deterlxinmten van de tijd gedurende de we!ke een onderzoeksgroep bijdraagt tot kenniscreatie in eel1 bepaald technologisch domein (d.i. de hoger gedefinieerde contributietijd) kan dan als volgt geformuleerd worden: wanneer we het proces van kenniscreatie en kennisdiffusie in onderzoeksgemeenschappen bestuderen, welke is dan de lnvloed van individuele en collectieve aspecten van deze ken~iisprocessenop de contributietijd van een onderzoeksgroep?
Dus, de contributietijd, ais afhankeiijke variabeie, wordt rechtsireeks gerelateerd aan de karakteristieken van de onderzoeksgemeenschap waartoe de onderzoeker of zijn groep behoort, uitgedrukt in functie van een aantal onafhankelijke variabelen. Zodoende wordt geopteerd voor een benadering die duidelijk een aantal andere klemtonen legt, zeker in vergelijking tot vroeger onderzoek. Eerst en vooral is onze aanpak expliciet longitudinaal. Ten tweede overstijgen we duidelijk de organisatie als analyseniveau. 111. METHODOLOGIE Een eerste vraag die men zich bij het gebruikvan bibliometrische data uiteraard kail stellen is of het we1 relevant is te kijken naar literatuurgegevens "vj de siildie en analyse van teclin~!ogischcontwikkelingen (Rappa en Debackere(l992a) en Rappa, Debackere en Garud (1992)). Afgezien van het feit dat bibliometrische data eveneens een veelheid aan patent-gegevens kunnen bevatten (die sinds jaar en dag gebruikt worden om technologische activiteit te kwantificeren, zie bijvoorbeeld Narin, Noma en Perry (1987)), valt op te merken dat een studie van de open literatuur een rechtstreeks gevolg is van het zopas beschreven uitgangspunt, met name dat technologie-ontwikkeling inderdaad een cumulatief Cn een collectief gebeuren is. Bovendien is een zekere mate van inductief redeneren hier gewettigd: het is immers enkel door empirisch onderzoek terzake dat men de relevantie van de 'open' literatuur bij de studie van technologische veranderingen kan inschatten. En bovendien, de vraag naar relevantie is zeker iliet be enige mogclijkc kritick wanneer we bibliometrische data a!s onderzoeksbron willen hanteren. Bij de analyse van bibliometrische data worden immers vaak twee benaderingen gehanteerd: publicatievolumes en citatie-analyses. Het 'meten' van publicatievolumes en het 'opsporen' van patronen en trends in citaties hebben echter een aantal niet-triviale beperkingen. Eerst en vooral laten deze technieken niet toe om het onderliggend daadwerkelijk te ontrafelen. Men proces van techcol~gie-~::tv~ikke1i1~g kan we1 vaststellen dat in een vakgebied het aantal artikels volgens een bepaalde wetmatigheid afneemt of toeneemt, of nog, dat bepaalde citatieclusters bestaan. Het blijven echter slechts indicatoren van technologische vooruitgang. Men veronderstelt hierbij uiteraard dat er een positieve relatie bestaat tussen enerzijds een toename in aantal publicaties of patenten en anderzijds de snelheid van technologi-
sche vooruitgang. Eenzelfde hypothese geldt voor citatie-analyses. Hierbij wordt verondersteld dat er een positieve relatie bestaat tussen enerzijds het aantal citaties dat een bepaald artikel toebedeeld krijgt in de literatuur en anderzijds de kwaliteit van het werk dat gerapporteerd wordt in dit artikel. De logica achter beide veronderstellingen ligt voor de hand. De theoretische onderbouw van beide hypotheses verdient echter verdere verduidelijking en aandacht. Het gevolg is dat het gebruikvan biblioinetrisclle data voor het meten van de ontwikkeling van nieuwe technologische disciplines bijwijlen controversieel is. Het zou echter jammer zijn indien men, omwille van deze opmerkingen, bibliometrische databronnen zou gaan verwaarlozen. Immers, wanneer we de open literatuur en de patentliteratuur van nabij bekijken, dan valt op dat deze een veelheid aan inf ~ r i n a t i eople-vereri.Zo bevat een artikel onder andere de narnen van de auteurs, de affiliaties van de auteurs en CO-auteurs,gegevens omtrent de sponsors van het onderzoek, gegevens omtrent de aard van het onderzoek, de publicatiedatum, en biografische schetsen van de auteurs. Deze 'objectieve' informatie kan gemakkelijk aangewend worden in een longitudinale analyse van om het even welk gebied. Bovendien is die informatie gemakkelijk toegankelijk en niet a1 te duur. Tevens garanderen de publicatieconventies een zeker niveau van authenticiteit, kwaliteit en betrouwbaarheid. Via longitudinale bibliometrische data kunnen we de jaarlijkse groei (in functie van het aantal onderzoekers) van de onderzoeksgemeenschap nagaan; de diffusie van het onderzoek naar de industriele sector toe in beeld brengen (door bijvoorbeeld na te gaan hoe in de schoot van de onde:zoeltsgemecnschap de vcrhouding van onderzoekers tewerkgesteld in de industrie versus de academische sector evolueert); de concentratie van onderzoeksgroepen in de onderzoeksgemeenschap analyseren (bijvoorbeeld door gebruik te maken van Herfindahlof entropie-indices); de mobiliteit van onderzoeliers tussen verschillende organisaties in kaart brengen; of nog, de netwerkvorming tussen teams kwantificeren (bijvoorbeeld, op basis van het co-auteurschap van publicaties).
IV. DATA Om de determinanten van contributietijden te onderzoeken wordt in dit artikel gebruik gemaakt van een dataset met betrekking tot transgene planten. Transgene planten vormen een deelgebied van biotech-
noiogie. Onderzoek naar transgene planten heeft geresuiteerd in drie belangrijke toepassingsgebiedeil: (1) beschei-mingvan planten, (2) verbetering van de kwaiiteit van planten, en (3) hybriede plantei~.De ontwikkeling van genetische manipulatietechnieken begin de jaren 1970 en de specificatie van het Tumor Induciilg Plasmide (Ti-Plasmid) in 1974 hebben de basis gelegd voor het onderzoeksdomein genetische mailipulatie van planten dat in de jaren 1980 onstond. Van 1980 tot 1993 evolueerden II ansgenc: plnriierl van cell wetenschappelijk curiosum tot een potentieel attractieve coinmerciele activiteit (voor een gedetailleerd overzicht verwijzen we naar Grierson (1991)). De eerste coinmerciele 'produkten' worden verwacht in de periode 1994-1996. D e bibliometrische datacollectie resulteerde in 1.274 literatuurdocumenten die tussen 1982 en 1992 met betrekking tot transgene planten werden gepubliceerd. Oeze docurnenien vertegenwoordigen in lret totaal 2.876 onderzoekers. In Figuur 1 wordt de evolutie weergegeveil van het aantal oilderzoekers jaarlijks actief op het gebied van transgene planten. Uiteraard is het sameilstellen van dergelijke dataFIGUUR 1 Groei van de Pansgene Plant ondelzoeksgemeenschnp 1982.1992
Jaar
bank een tijdsintellsieve bezigheid. Zo werd in overleg met drie experten in het vakgebied een betrouwbare zoekstrategie ontwikkeld' Het resultaat van de zoekstrategie werd eveneens ter goedkeuring aan deze experten voorgelegd. Aan de hand van de biblioinetrische data
aldus verzameld wordt vervolgens een statistische databank met verklarende variabelen opgebouwd2. V. ANALYSE: VARIABELEN Eens de databanken in de juiste vorm geconfigureerd zijn, kunnen we voor elke onderzoeker, die zich in een bepaald jaar in een databank bevindt, nagad11 gedurende hoeveel jaar hij of ~ iactief j blijft in de onderzoeksgemeenschap. 'Actief zijn' is dus gebaseerd op zichtbaarheid. Aangezien we ervan uitgaan dat technologie-ontwikkeling het gevolg is van een cumulatieve 6n collectieve kennisopbouw, beschouwen we een onderzoeker als 'verloren' voor verdere kennisopbouw wanneer hij niet meer publiceert of wanneer hij geen patenten meer neemt. Dii beiekeni ~ ~ i i e r a a niei r d dai de betroli~enoiiderzoek~r noodzakelijkenvijze volledig gestopt is met zijn activiteiten in het betreffende domein. Alleen, hij of zij draagt niet meer zichtbaar bij tot het proces van collectieve kennisopbouw. Bovendien is het duidelijk dat onderzoekers ook contribueren aan het innovatieproces vooraleer ze publiceren of patenteren. Doch, en daarin ligt een beperking van de methodologische benadering die door ons gehanteerd wordt, het is uiteraard onmogelijk om aan de hand van de databankgegevens uit te maken wat de 'gemiddelde' tijdsvertraging is tussen het opstarten van een onderzoeksagenda in een bepaalde wetenschappelijktechnologische discipline en het ogenblik waarop een onderzoeker zijn eerste publicatie of patent haalt. Nochtans is dit, gelet op de door ons gevolgde aanpak en het doe1 ervan, niet echt een probleeiii en we1 G I volgeiide ~ redenen. Eerst en vooral wijzen studies erop dat in een bepaald vakgebied de tijd tussen het opstarten van een onderzoeksagenda en het halenvan een eerste publicatie nogal constant is (Cole (1992) en Price (1963)). Aangezien we ons in dit onderzoek beperken tot eCn bepaald vakgebied, met name transgene planten, kunnen we aannemen dat deze tijdsvertraging voor iedereen ongeveer gelijkaardig zal zijn, enkele uitzonderingen niet te na gesproken (zie ook Wappa en Debackere (1994)). Ten tweede leiden we uit een analyse van hard-copy data af dat de tijdsvertraging tussen het indienen van een 'publicatie voor review' en het uiteindelijk publiceren van het manuscript 6 weken tot 3 maand bedraagt in het geval van het onderzoek naar transgene planten. Gelet op het feit dat we in onze analyse van contributietijden op jaarbasis werken levert deze tijdsvertraging dus geen echte problemen op.
Uireraard verliezen we hierbij zicht op alle auteurs wiens artikei niet voor publicatie aanvaard werd. Doch, gelet op het review-proces kunnen we aannemen dat deze publicaties naar kwaliteit en authenticiteit waarschijnlijk minder relevant zijn zodat ze geen daadwerkelijke kenniscontributie impliceren. Tenslotte, daar we geinteresseerd zijn in het longitudinaal perspectief is het belangrijk om in de tijd consequent dezelfde meetstandaard aan te houden voor het bepalcn van contributietijden; in 011s geval is dit de datum van publicatie. Het is in deze context echter minder belangrijk te weten in welk jaar en op welke dag men effectief startte met het onderzoek. Bovendien weet elke onderzoeker dat het moeilijk is exact te stellen op welk ogenblik hij of zij echt actief werd in een bepaald domein. De betrokkenheid bij een specifieke onderzoeksagenda is meesta! het gevolg van een intellectuec! 6n sociaa! proces dat eerder sluimerend aanvangt, en evolueert van tamelijk ongestructureerde ideeen en interesses naar een meer geformaliseerd onderzoeksagenda (Rappa en Debackere (1993a) en (1994)). Vandaar dat het gebruik van datum van publicatie een aanvaardbaar aanknopingspunt voor onze analyses is. Voor onze analyses vertrekken we dus van de berekening van de contributietijd van individuele onderzoekers. Deze contributietijd is gedefinieerd als het verschil tussen het laatste en het eerste jaar waarin de onderzoeker een publicatie- of patentbijdrage geleverd heeft. Het is de afhankelijke variabele in de verdere analyses. Andere databankgegevens, zoals de productiviteit van de onderzoeker, de productiviteit van de groep waartoe hij of zij behoort, het aantal coauteurs, de sector van tewer!::te!!ing (academisch, industricc!, overheid), worden dan op hun beurt in de analyses ingevoerd als onafhankelijke variabelen. Deze onafhankelijke variabelen kunnen verder ingedeeld worden naargelang ze dienst doen als controle variabelen dan we1 als verklarende variabelen in het theoretisch model dat men wenst te toetsen. Controle variabelen moeten de heterogeniteit tussen de onderzoekzrs zo goed mogelijk opvangen. In het geval van de analyses van de transgene planten onderzoeksgemeenschap gebeurt dit door de sector van tewerkstelling in rekening te brengen. Vier types organisaties worden hierbij onderscheiden (gebaseerd op Daley (1985)): (1) universiteiten, (2) publieke onderzoeksinstellingen, (3) onderzoekseenheden van 'gevestigde' ondernemingen zoals Monsanto Co., en (4) de
zogenaa~ndeNew Biotechnology Firms zoals Plant Genetic Systems of Mogen. Verklarende variabelen daarentegen worden ingedeeld naargelang ze betrekking hebben op de ganse onderzoeltsgemee~lschap,dan we1 op organisalies in de onderzoeksgemeenschap, of tot slot, op individuele onderzoelters in de onderzoeksgemeenschap. Binnen elke onderzoeltsge~neellschapworden dus drie gedetailleerde niveaus van analyse ondelseheiden. Eel1 niet-cxildustief ovcrzicht van illogelijke variabelen in een dergelijke analyse bevindt zich in Tabel 1. Voor de analyses die in dit artikel gerapporteerd worden, onderscheiden we de volgende verklarende variabelen. Eerst en vooral worden twee variabelen gedefinieerd op niveau van de onderzoeksgemeenschap. Het zijn de grootte van de onderzoeksgelneenschap (d.i. liet aalitai o~iderzoekersin de gemeenschapj en de iiiizzde-orde term van de grootte van de gemeenschap. Deze 'densiteits'indicatoren worden algemeen gebruikt in population ecology theorie (Hannan en Carroll (1992)). Ze staan bekend als 'density' en contemporaneous density.' Ze moeten de concepten 'competitie' en 'legitimatie' in de schoot van de onderzoeksgemeenschap weergeven aan de hand van de volgende basishypothesen: "(a) Contenzporaneo~~s density enhances founding and sutvival rates mtes at high levels, wheat low levels, but decreases founding and sz~~vival reas density at time of,foundingpermaizently increases failure rates; (b) This pattern arises because density itselfgenerates legitimacy and intenszty of conzpetitiorz, which influence founding and failure rates in specia i d conzpetific WGYS;( C ) P Y O C ~ S SofE Sdeii~ttjidepeiidei~tEegitiiii~ti~iz tion can accozlizt for much, but not all, of the observed regularity irzpop~~latiorz trajectories." (Hanrzarz and Carroll (1992): 189)
Tz4BEL1 ul d e ailnlyses en huiz betekeizzs
Oi eizztlzt vnrz mogelzlke 1niznbeleiz
Type
Variabele
Definitie
Afiankelijk
Contributietijd
Aanral jaar russen de eersre en laarste oublicatie (of oarenr) vaneen onderzoeker
C o n t r o l e variabelen
Sector (academisch, industrieel, overheid)
Cummy 0-1 variabelen die weergiven in welke sector de onderzoeker tewerkgesteld is
Geografische locatie
Indien gewenst worden dummy variabelen gecreeerd die onderzoekers in bepaalde belangrijke geografische gebieden groeperen (bvb. Europa, Japan, Verenigde Sraren)
Fase van ontwikkeling (embryoniar, groei, maruur)
Deze dummies laren toe weer re geven in welke fase van haar levenscyclus de onnvikkeling zich bevindr. Deze conrrole variabele kan enkel gebruikt worden indien na grondige analyse van her berreffende domein duidelijke mijlpalen in de onnvikkeling van her domein kunnen geydenrificeerd worden, bvb. aan d e hand van technologische doorbraken.
Populatie variabelen
Grootte
Het aanral onderzoekers in het vakgebied
~rootte~/1000
Tweede-orde term (om curvilineaire relaries op re sporen)
Dispersie
Indikatie van concentratie van onderzoekers tussen organisaries (Herfindahl Index H = P ( % ) ~met i = l ...n en Si het percentage van alle onderzoekers tewerkgesreld in de i d e organisarie)
Organisatie
Publicaties
Cumutatief iaiital puhlicaties in her betreffende vakgebied
Grootte
Her aantal 'zichtbare' onderzoekers in de betreffende organisatie op hetzelfde vakgebied
Cumulatieve productiviteit
Her aanral publicaties door de organisarie in het vakgebied
Cumulatieve productiviteit
Cumuladef aantal publicaries door de onderzocksr in her vakgcbied
variabelen
Individuele variabelen
Cumulatief aanral CO-auteursvoor elke onderzoeker uirgesplitst al naargelang ze al dan nier behoren rot dezelfde organisarie Sociornerrische indexen die de densiteir, de prestige, de cohesie e.d. van her coaureursnenverk beschrijven
'Jerdcr word: in het modcl dat in dit ar-tikcl bcsprokcn wordt gccn rekening gehouden met variabelen op organisatieniveau, doch enkel met variabelen op individueel niveau. Een eerste variabele is de cumulatieve productiviteit van elke onderzoeker. Dit is niets anders dan het cumulatief aantal publicaties per onderzoeker in de databank. Het voornaamste aandachtspunt van onze analyse situeert zich echter op het vlak de invloed van 'netwerkvorming' op contributietijden. Daartoe werden, gebaseerd op sociometrie, acht relationele variabelen berekend voor iedere onderzoeker in de databank (Burt (1976), (1980) en (1992) en Knoke en Kuklinski (1990)). Daarbij werd gebruik gemaakt van de STRUCTURE software (Burt (1991) versie 4.2). Via de analyses wensen we een inzicht te krijgen in de wijze waarop de positie van elke onderzoeker in een netwerk van samenwerkingen n e t anclere onderzoekers in de onclerzoek~ge~lleensrhap zijz of haar contributietijd beinvloedt. Deze relationele variabelen zijn als volgt gedefinieerd. Eerst en vooral wordt voor elke onderzoeker in de dataset het aantal contacten berekend. Deze variabele geeft dus het aantal coauteurs weer voor elke auteur in de dataset. Vervolgens wordt het aantal contacten verder verfijnd tot het aantal niet-redundante contacten. Veronderstel dat auteur i een artikel heeft samen met twee coauteurs, met name j en k. Het aantal contacten van i, zoals daarnet gedefinieerd, bedraagt dus 2. Echter, het aantal niet-redundante contacten zal gelijk zijn aan 1. Immers, gelet op de connectie tussen z en I, en gegeven zijnde de sterke connectle tussen l en k, 1s de connect~e tussen i en k iinpliciet aanwezig. D e derde relationele variabele die berekend wordt is de contact efficieutie. Het is de verhouding van de niet-redundante contacten tot alle contacten voor elk individu in de dataset. Volgens Burt ((1992): 23) is een netwerk efficienter naarmate minder conlacten in het netwerk redundant zijn: "The maximum efficiency line describes networks in which each new contact is completely nonredundant with other contacts. Effective size equals actual size." Immers, meer redundantie impliceert een sterkere mate van homogeniteit tussen de contacten. Naast deze drie indicatoren die gebaseerd zijn op het aantal discrete contacten (d.i. het aantal andere onderzoekers) waarmee een onderzoeker 6611 of meerdere samenwerkingsverbanden heeft, gaan de indices die hierna besproken wordell dieper in op het karakter van de relaties zelf tussen een onderzoeker en haar of zijn contactpersonen.
Netwerkdensiteit en proportionclc dcnsitcit zijn allebei indicatoren van de mate waarin het netwerk waarin een bepaalde onderzoeker zich bevindt a1 dan niet gemterconnecteerd is. Met andere woorden, wanneer een onderzoeker i deel uitmaakt van een netwerk met N contacten, dan is het maximaal aantal relaties tusseil deze contacten gelijk aan N(N-1). Netwerkdensiteit neemt waarden aan van 0 tot 1. Waarde 0 betekent dat er geen relaties zijn tussen de contactenvan i. Waarde 1betekent dat er maximale relaties zijn tussen alle contacten. Netwerkdensiteit is dan ook niets anders dan de gemiddelde marginale intensiteit van de relaties tussen contactpersonen. Proportionele densiteit neemt hetzelfde spectrum van waarden aan, doch nu worden ze paarsgewijs berekend. Waarde 0 betekent dus geen enkele relatie tussen ieder paar van i's contacten, waarde 1betekent dat elk cnntactnssr Y-- aan elkaar gerelateerd is. Daar waar netwerkdensiteit en proportionele densiteit zich richten op het netwerk rond iedere auteur, geven de drie resterende variabelen de positie weer van elke auteur in de globale onderzoeksgemeenschap. De status-variabele is dan niets anders dan de verhouding van het totaal aantal co-auteurs waaraan een auteur i gerelateerd is tot het totaal aantal auteurs waaraan hij of zij zou kunnen gerelateerd zijn, gegeven de grootte van de onderzoeksgemeenschap. Prestige en macht reflecteren verder de positie van elke auteur in de onderzoeksgemeenschap. De prestige indicator, berekend volgens Burt ((1991) en (1992)), maakt een onderscheid tussen de 'top' en de 'bodem' van de sociale structuur in de onderzoeksgemeenschap. De index varieert van 0 (indien i geen enkel contact heeft) tot l (wanseer i de enige contactpersoon is vonr alle andere auteurs in de onderzoeksgemeenschap, d.i. i is de exclusieve contactpersoon voor alle andere auteurs in de dataset). Macht, tot slot, reflecteert de mate waarin elke auteur exclusieve connecties heeft met andere 'machtige' auteurs in de gemeenschap. Macht is dus een verdere verfijning van de zopas besproken 'prestige' index. Deze variabelen worden dan nu gebruikt in event-history analyses van de contributietijden.
VI. ANALYSE: RESULTATEN Bij dergelijke analyses is het oilinogelijk traditionele regressiebenaderingen te gebruiken daar de data gecensureerd zijn. Met andere woorden, op het ogenblik van de analyse zijn nog niet aile onderzoekers in een bepaalde onderzoeksgemeenschap gestopt Inet hun acti-
viteiten. Met gevolg hiervan is dat we geen gewone regressie-benadering kunnen toepassen wegens het niet vervuld zijn van 66n van de belangrijkste assumpties van het General Linear Model, met name de vereiste van normale verdeling. Vandaar het gebruik van event-history modellen. Van de 2.876 auteurs in de dataset waren er 1.303 (of 45.3%) actief gedurende de laatste twee jaar. Ze werden bijgevolg geklasseerd als 'gecensureerd.' De analyse bestaat uit een aantal opeenvolgende stappen, Een eerste stap bestaat erin niet-parametrische schattingen te maken van de 'survival' en de 'hazard' functies voor de empirische data (zie Figuren 2 en 3). Hierbij wordt gebruik gemaakt van de LIFETEST procedure uit SAS (versie 5.18), waarbij geopteerd wordt voor de LIFETABLES benadering. De survival functie geeft de probabiliteit weer dat een onderzoeker X jaar actief blijft in een bepaalde onderzoeksgemeenschap. D e halfwaarde-tijd voor de survival functie, voor transgene plant onderzoekers, is ongeveer 2 jaar. Dit betekent dat de helft van de auteurs na meer dan twee jaar niet meer zichtbaar zijn in de onderzoeksgemeenschap.
FIGUUR 2 Niet-parametrische schatting van de Survival functie voor onderzoekers in Traizsgene Planten
Survival Rate
0.60 0.40
Contributietiid (in iaren)
De h a ~ a r dfunctie geeft op haar beurt de p~obabiliteitweer dat eeli onderzoeker stopt in jaar x + l nadat hij of zij gedurende X jaren actief geweest is in de bestudeerde onderzoeksgemeenschap. Wiskundig gezien is de hazard functie niets anders dan een vergelijking die de veranderingen in de helling van de (log) survival functie weergeeft. Wanneer de hazard functie uitgetekend wordt als functie van de tijd, dan geeft ze het risicoprofiel weer om in een bepaalde tijdsperiode het onderzocksdomein te verlaten indien men tot net voor die tijdsperiode actief was. Figuur 3 toont aan dat, in geval van transgene planten, de hazard rates initieel zeer sterk dalen, om vervolgens op een bijna asymptotisch lage waarde te stabiliseren. FIGUUR 3 Niet-pamrnetlische schattzng vnrz Hazard fzulctie v007 onderzoekers in Paizsgene Planten
Hazard Rate
Contributietijd (in jaren)
De boodschap uit deze analyses is duidelijk. Het grootste deel van de onderzoekers is enkel gedurende een relatief beperkte tijd actief betrokken bij het proces van kennisopbouw en kennisdiffusie in de onderzoeksgemeenschap. De mediaan waarden voor de survival periode illustreren dit. Echter, hoe langer een onderzoeker actief betrokken is bij deze kennisprocessen, des te moeilijker wordt het voor
hem of haar om de onderzoeksgernccnschap tc 'vcrlatcn.' Met andere woorden, survival en hazard functies op het niveau van de onderzoeksgemeenschappen geven ons een eerste inzicht in de mate waarin onderzoekers volharden in de door hen gekozen onderzoeksagenda (d.i. hun 'persistence'). Doch, ze vormen slechts een eerste, weliswaar noodzakelijke, stap in een verklaring van het fenomeen 'persistence.' D e volgende stap in de analyse bestaat erin een parametrisch model op te bouwen dat de beste overeenstemming ('fit') vertoont met de distributie van de contributietijden. Het basismodel waarvan in dergelijke analyses vertrokken wordt kan als volgt samengevat worden (Allison (1990) en Yamaguchi (1991)):
Hierin staat Y voor de logaritme van de contributietijden, X is een matrix met verklarende variabelen zoals die uit de databank bekomen worden (zie ook Tabel 1 voor een niet-exhaustieve opsomming van mogelijke verklarende variabelen), P is een vector met onbekende regressieparameters, o is een schalingsparameter, en E is een foutvector volgens een gekozen distributie. Om de onderliggende statistische distributie te kiezen die de beste 'fit' met de empirische data vertoont, worden systematisch de volgende theoretische distributiewetten geevalueerd: (1) de exponentiele distributie; (2) de Weibull distributie; (3) de gamma distributie; en (4j de log-logistic distributie. Een overzicht van deze distributiewetten kan gevondeil worden in Kalbfleisch en Prentice (1980). Uit deze diversiteit aan distributiewetten wordt vervolgens, op basis van het log-likelihood criterium, de 'best-passende' distributie gekozen als basismodel voor de schatting van de regressiecoefficienten van de verklarende variabelen in het te onderzoeken model. Bij deze parametrische analyses zijn essentieel twee berekeningswijzen mogelijk. De eerste berekeningswijze is de 'single-spell' benadering. Bij deze benadering heeft elke auteur CCn datalijn in de databank. Deze datalijn bevat de waarden voor de verschillende variabelen gedurende het laatste jaar waarin de auteur actief is. Tevens bevat de datalijn een variabele die de contributietijd van de onderzoeker weergeeft. Bij de 'multiple-spell' benadering, daarentegen, worden de verschilende CO-variatenin het model 'tijdsvariant' gemaakt. Dit betekent dat voor elke auteur voor elk jaar van activiteit in de onder-
.
zoeksgemeenschap een waarde voor elke variabele in de dataset berekend wordt. Dus, indien een auteur gedurende 10 jaar actief is, dan zal hij over 10 datalijnen beschikken in de databank: voor ieder jaar van activiteit 6Cn datalijn met waarden voor elke verklarende variabele. De opbouw van dergelijke tijdsvariante databanken is eerder complex en zeer tijdsverslindend. Een logisch overzicht voor de constructie van tijdsvariante databanken is te vinden bij Singer en Willett (1990). De rekencomplexiteit bij de 'multiple-spell' benadering is uiteraard veel groter dan bij de 'single-spell' benadering. In het geval van transgene planten hebben we beide benaderingen toegepast. Voor de 'single-spell' benadering hebben we aldus 2.876 datalijnen in de statistische databank, d.i. C6n lijn per auteur die voor elke variabele de waarden beevat voor het laatste jaar van zijn of haar aafiwezigheid in de databank. Voor de 'multiple-spell' benadering daarentegen komen we tot een totaal van 4.833 datalijnen of 'spells' waarmee de grenzen van de rekencapaciteit van bestaande event-history software bereikt, in ons geval zelfs overschreden, worden. In dit artikel willen we de resultaten van de 'single-spell' benadering toelichten (zie Tabel2). Hierbij wordt gebruik gemaakt van LIMDEP (versie 6.0) ontwikkeld door Greene (1992). Uit de analyses blijkt dat onderzoekers in academische labo's of in onderzoeksentiteiten van gevestigde ondernemingen langere contributietisden hebben in vergelijking tot hun collega's met andere affiliaties (p 0.05). Meer in het bijzonder vinden we dat de BIOTECHNOLOGIE START-UP controle-variabele niet-significant is. Alhoewe1 aan dergelijkc start-ups vaak een cruciale 1-31.~.:ordttoebedeeld in het proces van technologie-genese (Van Dierdonck en Debackere (1988)), stellen we vast dat onderzoekers behorend tot dergelijke organisaties geen significant langere contributietijden hebben. Nadere inspectie van de data suggereert ter verklaring dat start-up ondernemingen in het domein van transgene planten nogal dikwijls een kort leven beschoren zijn. Met andere woorden, het zopas bekomen reupsultaat op niveau v23 de individuele ~nderzoekeris in feite een avolg van de moeilijkheden die nieuwe biotechnologie start-ups ondervinden om te overleven. Op niveau van de onderzoeksgemeenschap vinden we dat zowel GROOTTE als GROOTTE211000 allebei statistisch significant zijn 0.001). De negatieve coefficient voor GROOTTE gecombineerd (p i met de positieve coefficient van de tweede-orde term impliceert een
Mnxirnunz Likelihood schattiizg vnn de contrib~ltietijde~z, Single-Spell benndeiing VARIABELEN
LOG-LOGISTIC DISTRIBUTION
Type organrsatie
ACADEMISCH GBVESTIGDE O N D E R N E M I N G B I O T E C H N O L O G l E START-UP
0.044** (0.016) 0.058~ (0.025) 0.006 (0.028)
Niueau van de onderzoeksgemeenrchap
GROOTTE
-0.002*~* (0.000)
G R O O T T E ~ / ~ ~ ~ ~ 0.003*** (0.000) Indiuidueel niusau
C U M . PRODUCTIVITEIT
0.524*** (0.005)
Relationele uariabelen
AANTAL C O N T A C T E N NIET-REDUNDANTE CONTACTEN
-0.006 (0.007) 0.039**
C O N T A C T EFFICIENTIE
(0.013) 0.117*
NETWERKDENSITEIT
(0.048) 0.193*
PROPORTIONELE DENSITEIT STATUS PRESTIGE POSITIE MACHT Schaal parameter
(0.103) 0.041 (0.093) -15.926*(5.017) 0.301*** (0.090) -0.005 (0.003) 0.160 (0.002) -829
LOG-LIKE,LIHOOD
1. Totaal aantal onderzoekers=2,876 (1,303 right-censored)
**
***
2. Significantie niveau: *: p<0.05 - : p<0.01 - : p<0.001 3. Enkel de 'best-passende' distributie is weergegeven 4. Standaardfouten tussen haakjes
U-vormige, curviiineaire relatie tusst.11 de grootte van cle onderzoeksgemeenschap en contributietijden (zie ook Figuur 4 voor een typische relatie). Deze empirische resultaten suggereren dat, zolang de populatie aan onderzoekers beperkt is, de grootte van de populatie negatief gerelateerd is aan de lengte van de contributietijd. Deze tendens zet zich door tot een minimum bereikt wordt vanaf het welk de helling van de curve opnieuw positief wordt. FIGUUR 4 Relatie tusse~zde contributietijd en de grootte van de onderzoeksgemeenschnp
Logaritme van de contributietijd
Grootte van de onderzoeksgemeenschap (aantal onderzoekers)
Dit resultaat suggereert dat er een soort kritisch massa punt qua grootte van de onderzoekspopulatie in een bepaald domein bestaat (zie ook Rappa, Debackere en Garud (1992b)), niet op niveau van 66n enkele organisatie doch we1 op niveau van de ganse onderzoeksgemeenschap, vanaf het welk contributietijden positief be'invloed worden. Belangrijk hierbij is dat deze kritische massa opgebouwd wordt in de schoot van de onderzoeksgemeenschap, en dus niet op niveau van individuele organisaties in de onderzoeksgemeenschap. Dit wordt trouwens bevestigd door het feit dat we in andere analyses (die hier niet gerapporteerd zijn) geen statistisch significante invloed konden detecteren van de grootte van het team binnen de organisatie waar
de betrokkeil onderzoeker tewerkgesteld is, up zijn of haar contributietijd. Verdere inspectie van Tabel 2 toont aan dat de cumulatieve productiviteit van een onderzoeker een positieve invloed heeft op zijn of haar contributietijd (p 0.001). Dit resultaat is logisch en uiteraard te venvachten. Interessanter wordt het echter wanneer we de invloed van de relationele variabelen op contributietijden bekijken. Uit Tabe1 2 blijkt dat het aantal riiet-redundantc contacten dat een auteur bezit (p < 0.01), de contact efficientie (p < 0.05) en de netwerk densiteit (p < 0.05) allen een statistisch significante kn positieve invloed uitoefenen op contributietijden. Dus, hoe beter een auteur ingebed is een een samenwerkingsstructuur in de onderzoeksgemeenschap, des te langer zijn of haar contributietijd. Fiiker, J we verder naar de netwerkp~sitieva:: de ~nderzoekerin de onderzoeksgemeenschap, dan blijken de resultaten iets minder duidelijk. Status is statistisch significant (p < 0.01), doch de coefficient is negatief. Prestige is significant (p < 0.001) mkt positieve coefficient, tenvijl de macht-variabele niet significant is. De resultaten met betrekking tot de prestige-indicator (ook soms als een vorm van centraliteit beschouwd) liggen in de lijn der venvachtingen. Naarmate iemand meer tot de top van de sociale piramide in de schoot van de onderzoeksgemeenschap behoort, des te lager wordt de kans dat hij het domein vlug verlaat. De negatieve coefficient van de status-variabele lijkt op het eerste zicht onverklaarbaar. Nadere analyse van de data toont echter aan dat het hier in belangrijlte mate om een rekenkundig probleem gaat. Immers, wanneer we kijken naar het groeiprofiel van de onderzoeksgemeenschap (zie Figuur l ) , dan stellen we vast dat met de jaren het aantal potentiele contacten (d.i. het aantal onderzoekers in de gemeenschap) meer dan lineair toeneemt. Bij de berekening van de status-variabele komt het potentieel aantal contacten in de noemer te staan. Zolang nu de grootte van de onderzoeksgemeenschap (de noemer) sneller blijft toenemen dan het aantal contacten van elke auteur (de teller) dan krijgen we uiteraard een negatieve relatie tussen de status-variahele en de contributietijden, s o k a1 neemt het aantal contacten per auteur i11 absolute waarde toe. VI. DISCUSSIE Wat zijn nu de implicaties van deze bevindingen? Daartoe is het nuttig even stil te staan bij de manier waarop managementonderzoek tra-
ditioneel het leiding geven aan technische professionals gcconceptualizeerd heeft. Pioniers op dit gebied zijn ongetwijfeld Pelz en Andrews (1966) en Allen (1977). Deze auteurs wijzen op het 'locale' karakter van technologie-ontwikkeling in industriele omgevingen. Met andere woorden, juist omwille van het feit dat ondernemingen technologie als een sleutel tot competitief succes beschouwen, willen ze zoveel mogelijk hun interne technologische kennisbasis afschermen van hull omgeving. Organisatiegrenzen crccren dus belangrijke impedantie-effecten naar de technologische omgeving van de organisatie toe. Dit heeft belangrijke implicaties voor het gedrag van technische professionals. Zoals, bij wijze van anecdote, een R&D manager van een grote Nederlandse onderneming aan CCn van de auteurs vertelde tijdens een interview: "Wanneer mijn R&D medewerkers naar een coiigres gaan, dan s:e!!en ze zelfs. geen wager,. Immers, ""I' ,ZOdra ze een vraag stellen weten onze concurrenten in welke richtingen wijzelf denken." Andere auteurs (Abbott (1988) en Hounshell en Smith (1988)) verwijzen in die context vaak naar het endemisch spanningsveld tussen de 'organisatie' enerzijds en de 'technische professional' anderzijds. ECn van de belangrijkste, zoniet de belangrijkste, spanningen hierbij is de continue trade-off die de onderzoeker-technoloog dient te maken tussen haar of zijn loyauteit ten opzichte van de organisatie enerzijds en ten overstaan van de professionele gemeenschap anderzijds. Realin (1985) onderscheidt in deze optiek 'local' professionals versus 'cosmopolitan' professionals. De 'cosmopolitan' professional heeft, in tegenstelling tot de 'local' professional, een relatief lage loyauteit aan de organisatie, een hogere betrokkenheid bij het eigen specidisme, en een sterkere orientatie op externe referentiegroepen. De analyses die in dit artikel gerapporteerd werden duiden in elk geval op het belang over de eigen organisatiegrenzen te kijken en het voordeel van dergelijke houding op contributietijden. Alhoewel het onderzoek dat zopas besproken werd a priori niet expliciet rekening houdt met specifieke managementlessen, toch reikt het een aanta! discussiepunten aan die elkeen begaan met het management van technische professionals nauw aan het hart moeten liggen. Een eerste vraag betreft de mate waarin onderzoeksorganisaties, en meer in het bijzonder, industriele onderzoeksorganisaties, hun onderzoekers en technologen dienen aan te moedigen om actief mee te spelen in de voor hen relevante onderzoeksgemeenschap(pen). De meningen hieromtrent lopen sterk uit elkaar. Een pas afgerond on-
.,
derzoek naar het iiianagement van tecli~iologis~he ii~i-iovatiei r ~ecn, zij het beperkte, steekproef van 30 innovatieve Vlaamse ondernemingen (Debackere, Fleurent en Clarysse (1994)), toont aan dat lang niet iedere O&O-manager overtuigd is van het belang van een 'actieve' professionele netwerkvorming door technische medewerkers. Alhoewe1 een meerderheid van respondenten 'passieve' deelname aan congressen, professionele associaties e.d. 'tolereert,' stellen we vast dat enkel een absolute minderheid zijn technische meclewerkers aanmoedigt om actief naar buiten te treden en deel te nemen aan het proces van 'know-how trading' (von Hippel (1988)) dat in de schoot van de professionele gemeenschap plaatsvindt. Ten tweede, de resultaten in Tabel2 tonen aan dat netwerkpositie en contributietijd positief aan elkaar gerelateerd zijn. Een belangrijke vaststelling hierbij is echter dat netwerkposities niet vanze!f t ~ t stand komen. Met andere woorden, op welke manier kan een onderzoeksorganisatie een netwerkpositie (zowel op niveau van haar individuele onderzoekers als op niveau van de organisatie zelf) uitbouwen en consolideren? Dit vraagstuk wordt momenteel onderzocht aan de hand van diepgaande gevallenstudies bij organisaties uit de transgene planten dataset die sterk gedifferentieerde evolutie patronen in hun netwerkposities vertonen. Een duidelijk gearticuleerde O&O strategie, gekoppeld aan een systematisch onderzoeksbeleid dat zich uit in een mobiliteitsplan voor O&O-medewerkers, in een systematisch streven naar externe samenwerkingen (zonder evenwel de noodzaak aan interne competentie-opbouw uit het oog te verliezen), in een gefundeerde selectie van onderzoeksagenda's, e.d., blijken na een eerste analyse in elk geval nodige voovaarden voor de gitbouw van 'hoadbare' netwerkposities. Kortom, we zijn van mening dat gedetailleerd onderzoek naar de relatie tussen contributietijden en sociometrische indicatoren, zowel op individueel niveau als op niveau van onderzoeksorganisaties, kan bijdragen tot een beter inzicht in begrippen zoals 'netwerkvorming' en 'mobiliteit van onderzoekers,' die nogal vaak ietwat sloganesk aangewend worden in de hedendaagse 0 & 0 management praktijk, DP steeds grotere nadruk op het stimuleren van netwerkvorming in technologie-ontwikkeling, bvb. via Europese programma's zoals HUMAN CAPITAL AND MOBILITY, vereisen een duidelijk inzicht in de onderliggende netwerkdynamieken. Met andere woorden, men dient durven de vraag te beantwoorden hoe men de verhoopte effecten van netwerkvorming kan kwantificeren, en vervolgens, hoe men deze ef-
fecten kan 'meren' rnei he1 oog op cc11 evaluaiie van dive~sebeleidsinstrumenten ter stimulering van netwerkvorming in 0 & 0 . Tot slot, we zijn ervan overtuigd dat de problematiek die in dit artikel wordt aangesneden de context van de O&O-omgeving overstijgt. Immers, vereisen trends zoals de vervlakking van organisatiestructuren en hierarchien, of, nog meer specifiek, de trend naar 'netwerk'organisaties (Nohria en Eccles (1993)) niet dat organisaties (onafgezien van het fcit of zc nu aan tcchnologie-ontwikkeling doen of niet) een steeds meer duaal karakter aannemen: enerzijds naar binnen georienteerd, anderzijds extravert? De technische zijde van de onderneming is reeds langer vertrouwd met deze problematiek evenals met de spanningen die ermee gepaard gaan. Mogelijks houden deze inzichten en ervaringen nuttige lessen in voor de andere functionele . . doineinen van de organisatle. VIII. BESLUIT Tot zover een aantal empirische bevindingen naar de determinanten van de contributietijden van transgene plant onderzoekers. Uit de empirische analyses die besproken werden blijkt dat onderzoeksgemeenschappen weinig stabiele sociale structuren zijn. Veel onderzoekers dragen niet 6cht lang bij tot kennisopbouw en kennisdiffusie. Dit stemt trouwens overeen met wat wetenschapssociologen reeds lang beweren, namelijk dat de overgrote meerderheid van alle onderzoekers in hun leven nooit verder komt dan ken enkele publicatie (Price (1963)). Anderzijds stellen we vast, aan de hand van de analyse van de survival cn hazard functies, dat de lians dat een onderz~eliereen specifiek onderzoeksdomein verlaat, eens hij of zij een zekere tijd actief is, asymptotisch laag wordt. Deze bevindingen wijzen dan ook op de subtiele eisen die aan elk O&O-beleid gesteld worden. Enerzijds vereist de vooruitgang van wetenschap en technologie een zekere continuiteit in de kennisopbouw, zoals Herbert Sirnon terecht stelt. Anderzijds leidt te lange volharding in een bepaald ondenverp n terecht tot een dalende m~rginzleproductiviteit, zoals Z i ~ a (1987) opmerkt. De survival en hazard rates belichten eveneens dit dilemma, zij het vanuit een andere analytische invalshoek, waarvan elkeen met O&O-beleidsverantwoordelijkheid zich terdege bewust moet zijn. Vanuit deze beleidsoptiek is het eveneens interessant de resultaten van de parametrische analyses met betrekking tot netwerkvorming en de grootte van de onderzoeksgemeenschap op te merken.
Enerzijds duiden deze resultaten op het beiang voor de ~nderzoelter zich in te bedden in de bredere extra-organisationele context van de onderzoeksgemeenschap. Recente beleidsmaatregelen inzake mobiliteit en netwerkvorming kunnen dan ook vanuit contributietijd-perspectief als positief beoordeeld worden. Anderzijds duidt de curvilineaire relatie tussen de grootte van de onderzoeksgemeenschap en de contributietijd op een fenomeen van kritische massa. Belangrijk hierbij is de suggestie dat deze kritische massa tevens dient gezocht te worden in de schoot van de onderzoeksgemeenschap en niet enkel in de context van 66n enkele organisatie. NOTEN 1. Een mogelijke zoekstrategie voor het onderzoeksdomein dat in dit artikel beschouwd wordt ziet er als volgt uit: ((transgen" or gen" or transform" or recombin"') and (tomat'* or plant" or ric* or potat' or tobacc" or soybea" or sunflow";or wheat or nicotan"-" or crop". or tumefaciens or a g r ~ b a c . ~ - r h i z o g e n 'electropor'"). 9r 2. D e uiteindelijke databankstructuur ziet er als volgt uit. Wanneer de eenheid van analyse de onderzoeker binnen de onderzoeksgemeenschap is, dan worden voor elke onderzoeker die in de databank optreedt een aantal variabelen gecreeerd (zie verder). De waarde die deze variabelen aannemen, bijvoorbeeld netwerkpositie, kunnen echter verschillend zijn voor elk jaar gedurende hetwelk de onderzoeker actief is in het domein. Vandaar dat per onderzoeker voor elk jaar waarin hij of zijn aanwezig is in de originele Science Citation Index databank een datalijn gecreeerd wordt. Deze datalijn bevat voor elke variabele in de analyse de specifieke waarde die deze variabele aanneemt voor elk jaar van ohservatie. Tevens is voor elke datalijn een 0-1 variabele aanwezig die weergeeft of de observatie a1 dan niet gecensureerd is. In ons geval komt dit erop neer dat we veststellen of de onderzoeker uit het onderzoeksdomein verdwenen is of niet.
REFERENTIES Abbott, A., 1988, The System of Professions, (Chicago, The University of Chicago Press). Allen, TJ., 1966, Studies of the Problem-Solving Process in Engineering Design, IEEE Transactions on Engineering Management 18, 72-83. Allen, T.J., 1977, Managing the Flow of Technology, (Cambridge, Mass., The MIT Press). Allison, P.D., 1990, Event History Analysis, Applied Social Research Methods Series 46, (Newbury Park, Sage Publications), (fifth printing). Bailyn, L., 1982, Resolving Contradictions in Technical Careers; or, What If I Like Being an Engineer, Technology Review 85, 8,40-47. Burt, R.S., 1976, Positions in Networks, Social Forces 55, 93-122. Burt, R.S., 1980, Models cf Network Structure,,.?ntzual Review of Sociology 6, 79-14:. Burt, R.S., 1991, Structure Reference Manual: Version 4.2., (New York, Columbia University). Burt, R.S.; 1992, Structural Holes: the Social Structure of Competition, (Cambridge, Mass., Haward University Press). Clark, K.B. en T Fujimoto, 1991, Product Development Performance, (Boston, Harvard Business School Press). Cole, S.. 1992, Making Science, (Cambridge, Mass., Harvard University Press). Collins, H.M., 1974, The TEA-Set: Tacit Knowledge and Scientific Networks, Science Studies 4. 165-186.
Constant, E.W., 1980, The Origins of the T~lrbnjet,(Baltimore, The Johns Hopkins University Press). Crane, D., 1972, Invisible Colleges: Diffusion of Knowledge in Scientific Communities, (Chicago, The University of Chicago Press). Daley, P,, 1985, The Biotechnology Business: A Strategic Analysis, (London, Frances Pinter). Debackere, K. en M.A. Rappa, 1994a, Institutional Variations in Problems Choice among Researchers in an Emerging Field, Research Policy 23, 4, 425-441. Debackere, K. en M.A. Rappa, 199413, Technological Communities and the Diffusion of Knowledge: a Replication and a Validation, R&D Management 24, 4, 353-369. Debackere, K., Clarysse, B., M.A. Rappa en G. Van Hooydonck, 1993, The Application of Sociolnetric and Event-History Modeling to Explain Researcher Contribution-Spans, Research Evaluation 3, 1, 2-12. Debackere, K., Fleurent, I. en B. Clarysse, 1994, Het management van technologische innovatie: een literatuurstudie en een exploratief empirisch onderzoek bij een beperkte steekproef van Vlaamse ondernemingen. Onderzoeksrapport De Vlerick School voor Management, in opdracht van het IWT, Brussel, 120 pp. + 129 pp. (appendices). Debackere, K., Clarysse, B., Wijnberg, N. en M.A. Rappa, 1994, Science and Industry: a Theory of Networks and Paradigms, TechlzologV Arlalysis and Strategic Management 6, 1, 21 -37. Dosi, G., 1982, Technological Paradigms and Technological Trajectories,Research Policy 11, 147-162. Freeman, J. en S. Barley, 1990, Inter-Organizational Relations in Biotechnology, in R . Loveridge en M. Pitt, eds., The Strategic Management of Technological Innovation, (Chichester, John Wiley & Sons). Gieryn, T.F., 1978, Problem Retention and Problem Change in Science, Sociological Inq ~ l i l y48, 96-115. Greene, W.H., 1992, LIMDEP, (New York, Econometric Software, Inc.). Grierson, D., ed., 1991, Plant Genetic Engineering, (London, Chapman and Hall). Hannan, M.T. en G.R. Carroll, 1992, The Dynamics of Organizational Populations: Density, Legitimation and Competition, (New York, Oxford University Press). Hounshell, D.A. en J.K. Smith, 1988, Science and Corporate Strategy: DuPont R&D, 19021980, (Cambridge, UK, The Cambridge University Press). Kalbfleisch J.D. en R.L. Prentice, 1980, The Statistical Analysis of Failure Time Data, (New York, John Wiley & Sons). Katz, R . en TJ. Allen, 1982, Investigating the Not-Invented-Here (NIH) Syndrome: a Llook at the Performance, Tenure and Communication Patterns of 50 R&D Groups, R&D Management 12,7-19. Katz, R., 1988, Managing Professionals in Inilovative Organizations, (Cambridge, Mass., Ballinger Books). Knoke, D. en J.H. Kuklinski, 1990, Network Analysis. Applied Social Research Methods Series, Vol. 28, (Newbury Park, Sage Publications). Kuhn, T.S, 1970, The Structure of Scientific Revolutions, (Chicago, The University of Chicago Press (2nd ed.)). Laudan, R., 1984, The Nature of Technological Knowledge, (Dordrecht, Reidel). Layton, E., 1974, Technology as knowledge, TechnologV and Culture 15, 31-41. Layton, E., 1977, Conditions of technological development, in I.Spiege1-Rosing and D.deSol!a Price, eds., Science, Technology and Society: A Cross-Disciplinary Perspective, (London en Beverly Hills, Sage Publications). Metcalfe, J.S. en L. Soete, 1983, Notes on the Evolution of Technology and International Competition, Presentation at the Workshop on Science and Technology Policy, (University of Manchester). Mowery, D. en N. Rosenberg, 1979, The Influence of Market Demand upon Innovation: a Critical Review of Some Recent Empirical Studies, Research Policy 8, 102-153. Narin, F., Noma, E. en R. Perry, 1987,Patents as Indicators of Corporate Technology Strength, Research Policy 16, 99-106. --
-
Nelson. R.R. en S.G. Winter. 1982. An Evolutionary Theoly of Economic Change. (Cambridge, Mass., Harvard University Press). Nohria, N. en R.G. Eccles, 1993; Networks and Organizations, (Boston, Harvard Business School Press). Pelz, D.C. en EM. Andrews, 1966, Scientists in Organizations: Productive Climates for R&D, (New York, Wiley). Polanyi, M,, 1958. Personal Knowledge, (London, Routledge and ICegan Paul). Powell, W.W. 1990, Neither Market nor Hierarchy: Network Forms of Organization, in E.Cummings, ed., Research in Orga~zizationolBehnvior 12, 295-336. Price, deSolla D J . , 1963, Little Science, Big Science ... and Beyond, (New York, Columbia University Press). Rappa, M.A., Debackere, K. en R. Garud, 1992, Technological Progress and the Duration of Contribution Spans, Tecl~nologicalForecasting and Social Change 42, 4, 133-145. Rappa; M.A. en K. Debackere, 1992a; Monitoring Progress in R&D Communities. in P. Weingart, R. Sehringer en M. Winterhager, eds., Representations of Science and Technology, (Leiden, DSWO Press, Lisbon Institute, University of Leiden), 253-265. Rappa, M.A. en K. Debackere, 1992b, Technological Communities and the Diffusion of Knowledge, R&D ilinnngemelzt 22, 3, 209-220. Rappa, M.A. en K. Debackere, 1993a, Social and Cognitive Influences on Problem Choice in K&D, in D. Perrin Moore, ed., Best Paper Proceedings, 53th Annual Meeting of the American Academy of Management, 347-351. Rappa, M.A. en K. Debackere, 1993b, Youth and Scientific Innovation: the Role of Young Scientists in Emerging Fields of Science and Technology, Miizeivn 31, 1, 1-20. Rappa, M.A. en K. Debackere, 1994, An Analysis of Entry and Persistence in an Emerging Field, R&D Malzngenzent 25, (in druk). Realin, J., 1985, The Clash of Cultures, Managers and Professionals, (Boston, Harvard Business School Press). Roberts, E.B., 1987, Generating Techilological Innovation, (New York, Oxford University Press). Root-Bernstein, R.S., 1989, Discovering: Inventing and Solving Problems at the Frontier of Scientific Ihowledge, (Cambridge, Mass., Harvard University Press). Rosenberg, N., 1982, Inside the Black Box, (Cambridge, UK; Cambridge University Press). Sahal. D., 1981, Patterns of Technological Innovation, (Reading, Mass., Addison-Wesley Publishing Cy). Singer. J.D. en J.B. Willett. 1990, Mndeling the Days nf n!ir Lives: P.eviewingApplications of Survival Analysis in Psychological Research, Miineograph, (Harvard University, Graduate School of Education). Staudenmaier, J.M., 1989, Technology's Storytellers: Reweaving the Human Fabric, (Cambridge, Mass., Tine MIT Press). Tushman, M.L. en P. Anderson, 1986, Technological Discontinuities and Organizational Environments,'Adnzinistl.ative Science Qun~terlj31, 439-465. Tushman. M.L. en W.L. Moore, 1988, Readings in the Management of Innovation, (Boston, Pitman Publishers), (2e ed.). Van de Ven, A., 1993,A Community Perspective on the Emergence of Innovations, Journal of Engineering and Technology Marzngemelzt 10, 1-2, 23-51. Van Dierdonck, R. en K. Debackere, 1988, Academic Entrepreneurship at Belgian Universities, R&D Mnnagement 18, 4 , 341-353. von Hippel, E.,1988, The Sources of Innovation, (New York, Oxford University Press). Weelwright, S.C. en K.B. Clark, 1992, Revolutiollizing Product Development, (New York, The Free Press). Williamson, O.E.,1991, Comparative Economic Organization: the Analysis of Discrete Structural Alternatives, Adnzinisti.ntive Science Quarterly 36, 2, 269-296. Yainaguchi, K., 1991, Event History Analysis, Applied Social Research Methods Series 28, (Newbury Park, Sage Publications). Ziman, J., 1987, Knowing Everything about Nothing, (Cambridge, UK, Cambridge University Press).
