تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,500 |
تعداد مشاهده مقاله | 124,087,271 |
تعداد دریافت فایل اصل مقاله | 97,190,343 |
ارائه چارچوبی برای تحلیل ظرفیت جذب خوشههای نوآوری با رویکرد SNA (مطالعه موردی: ناحیه نوآوری دانشگاه صنعتی شریف) | ||
مدیریت صنعتی | ||
دوره 16، 1 (شماره ویژه: مدیریت تکنولوژی)، 1403، صفحه 99-116 اصل مقاله (453.81 K) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/imj.2024.357800.1008049 | ||
نویسندگان | ||
مهدی محمدی1؛ مهدی الیاسی2؛ آزاده ساوه شمشکی* 3 | ||
1دانشیار، گروه مدیریت فناوری و نوآوری، دانشکدگان مدیریت، دانشگاه تهران ، تهران، ایران. | ||
2دانشیار، گروه مدیریت فناوری و نوآوری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران. | ||
3دانشجوی دکتری، گروه مدیریت فناوری و نوآوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. | ||
چکیده | ||
هدف: ارزیابی جایگاه دانشی و مدل ظرفیت جذب شرکتها در خوشههای نوآورانه، جریان دانشی را برای دستیابی به عملکرد نوآورانه شفاف و تسهیل میکند. در همین راستا، اهمیت خوشههای نوآوری در چرخه اقتصاد جهانی در صنایع مختلف، در ایران حائز اهمیت است. دانشگاه صنعتی شریف، بهواسطه جایگاه علمی و دسترسی به منابع دانشی، در زمینه استقرار خوشههای نوآوری بستر مناسبی دارد؛ زیرا نزدیکی به صنایع مختلف و کارخانجات آنها از یکسو و جذب و پرورش خبرگان کشوری از سوی دیگر، جایگاه ویژهای به آن میدهد، همچنین بستر را برای جریان دانش بین حوزههای دانشی و حوزههای کسبوکاری فراهم میکند. روش: بر اساس آنچه بیان شد، دانشگاه صنعتی شریف جزء پیشگامان ایجاد بستر خوشه برای استارتاپها و شتابدهندههاست. همچنین با توجه به مطالعات روز این حوزه، رشد خوشههای نوآوری، جزء سیاستهای جاری در کشورهای مختلف است. در این مقاله متغیر اصلی، سنجش ظرفیت جریان دانش و توان بهرهمندی واحدها از دانشهای موجود و سرریز شده در سطح خوشههاست که با توجه به رویکرد نوآورانه محورشان، لاجرم دانش برای آنها اصلیترین ورودی است. با توجه به همین موارد، بررسی همۀ حوزههای دانشی و کسبوکاری فعال در خوشه، به ارزیابی نیاز دارد؛ از این رو روش تحقیق در این پژوهش، تحلیل شبکه اجتماعی است که گراف روابط با رویکردهای مختلف را برای ارزیابی جریان دانشی ارائه میدهد. هرچند تاکنون تحلیل ظرفیت جذب بیشتر، بر حوزه شرکتها متمرکز بوده است و صرفنظر از بستر جغرافیایی و ارتباطات دانشی خارج از سازمانی که شرکت داشته، تحلیل و بررسی شده است که در این نگاه، نقش بیرونی شرکت چندان در کانون توجه قرار نمیگرفت و همین موضوع، به نادیدهگرفته شدن اثرگذاری و اثرپذیری دانشی هر سازمان نیز منجر میشد. یافتهها: در این مقاله به بررسی جایگاه شناختی و نقش حوزههای فناوری ناحیۀ نوآوری دانشگاه صنعتی شریف، در حوزه ارتباطات دانشی میپردازیم و با شناسایی و استخراج نقش هر حوزه در خوشه نوآوری، از روش تحلیل شبکه اجتماعی (SNA)، ظرفیت جذب و مدلهای ارتباطات دانشی بین حوزههای فناوری در داخل خوشه را مدنظر و بررسی میکنیم. از آنجایی که بهبود ظرفیت جذب حوزههای فناوری، به ارتقای سطح عملکرد نوآورانه آنها منجر میشود، شناسایی و بهبود جریان دانشی در بین حوزههای فناوری امری مهم در بهبود بستر نوآورانه خوشههای نوآوری است. در این پژوهش به بررسی وضع موجود ابعاد ظرفیت جذب (اکتساب، تطبیق، انتقال و بهرهبرداری) در درون خوشه نوآوری و وضعیت این ابعاد در سطح بیرونی آن پرداخته شده است. این بررسی از طریق شناسایی و استخراج جایگاه شناختی هر حوزه فناوری در داخل خوشه که براساس ارتباطات دانشی ورودی به خروجی از هر حوزه شناسایی میشود و نوع ارتباطات و تعاملات دانشی با خارج از خوشه که به شکلگیری نقشهای دروازهبان فناوری، ستارهها و ایزولهها منجر میشود، انجام شده است. نتیجهگیری: از طریق روش تحلیل شبکه اجتماعی و محاسبه درجه ورودی و خروجی دانش و درجه بینابینی، با استخراج نقش هر حوزه فناوری در داخل و خارج از خوشه، مدل ظرفیت جذب آن شناسایی شد و با بهرهمندی از نظر خبرگان و مستندات مندرج در ادبیات موضوع، راهکارهای ارتقای شبکه دانشی شناسایی و طی سازوکار گذار برای بهبود شرایط ارائه میشود. | ||
کلیدواژهها | ||
خوشه نوآوری؛ تحلیل شبکۀ اجتماعی؛ دروازهبان فناوری؛ ظرفیت جذب؛ عملکرد نوآورانه | ||
مراجع | ||
حسینی، سیده مطهره و اقدسی، محمد (1402). مقایسه ساختار رسمی و غیررسمی در سازمانها با استفاده از روش تحلیل شبکۀ اجتماعی. مدیریت صنعتی، 15(3)، 365-385.
معطوفی، علی؛ تاجدینی، کیهان؛ آقاجانی، حسنعلی و تاجدینی، کیوان (1389). نقش گرایش به یادگیری بر نوآوری و عملکرد سازمانی. چشمانداز مدیریت، 9 (4)، 57-71.
References Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration: Agent-Based Models of Competition and Collaboration. Princeton university press. Capello, R. & Faggian, A. (2005). Collective learning and relational capital in local innovation processes. Regional studies, 39(1), 75-87. Dantas, E. & Bell, M. (2009). Latecomer firms and the emergence and development of knowledge networks: the case of Petrobras in Brazil. Research Policy, 38(5), 829-844. Dawid, H., & Fagiolo, G. (2008). Agent-based models for economic policy design: Introduction to the special issue. Journal of Economic Behavior & Organization, 67(2), 351-354. Gilbert, N., Ahrweiler, P. & Pyka, A. (2007). Learning in innovation networks: Some simulation experiments. Physica A: Statistical Mechanics and its Applications, 378(1), 100-109. Gilbert, N., Ahrweiler, P. & Pyka, A. (Eds.). (2014). Simulating knowledge dynamics in innovation networks (pp. 185-198). Berlin: Springer. Giuliani, E. & Bell, M. (2005). The micro-determinants of meso-level learning and innovation: evidence from a Chilean wine cluster. Research policy, 34(1), 47-68. Giuliani, E. (2003). Cluster Absorptive Capacity: a comparative study between Chile and Italy. In Paper presentado en la conferencia an honor de Keith Pavitt What do we Know about Innovation. Giuliani, E. (2003, January). Knowledge in the Air and its Uneven Distribution: A story of a Chilean Wine Cluster. In DRUID Winter Conference, Aalborg (pp. 16-18). Giuliani, E. (2007). The selective nature of knowledge networks in clusters: evidence from the wine industry. Journal of economic geography, 7(2), 139-168. Hosseini, S. M. & Aghdasi, M. (2023). Comparison of Formal and Informal Structures in Organizations Using the Social Network Analysis. Industrial Management Journal, 15(3), 365-385. doi: 10.22059/imj.2023.355111.1008026 (in Persian) Jaffe, A. B. (1989). Real effects of academic research. The American economic review, 957-970. Jaffe, A. B., Trajtenberg, M. & Henderson, R. (1993). Geographic localization of knowledge spillovers as evidenced by patent citations. the Quarterly journal of Economics, 108(3), 577-598. Keeble, D., & Wilkinson, F. (1999). Collective learning and knowledge development in the evolution of regional clusters of high technology SMEs in Europe. Regional studies, 33(4), 295-303. Korber, M. & Paier, M. (2011). Exploring the effects of public research funding on biotech innovation: an agent-based simulation approach. In 8th International Conference on Complex Systems (pp. 599-613). Lichtenthaler, U. & Lichtenthaler, E. (2009). A capability-based framework for open innovation: Complementing absorptive capacity. Journal of management studies, 46(8), 1315-1338. Matofi, A., Tajdini, K., Aghajani, H.A. & Tajdini, K. (2011). The role of learning orientation on innovation and organizational performance. Management perspective, 9(4), 57-71. Zahra, S. A. & George, G. (2002). Absorptive capacity: A review, reconceptualization, and extension. Academy of management review, 27(2), 185-203. | ||
آمار تعداد مشاهده مقاله: 179 تعداد دریافت فایل اصل مقاله: 163 |