From Technology Transfer to Ecosystem Value Creation: A Network-Aware Model of Adoption in University-Based Entrepreneurial Ecosystems
Dieses Paper schlägt ein netzwerkbewusstes, falsifizierbares Modell vor, das vier Technologietransfer-Arrangements mit der Adoption und mehrdimensionalen Wertschöpfung in Universitätsökosystemen verknüpft, wobei es dessen rechnerische Schätzbarkeit und Messanforderungen durch synthetische Daten und eine illustrative Prüfung demonstriert, während es gleichzeitig feststellt, dass die empirische Validierung aufgrund von Datenbeschränkungen noch aussteht.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Universitäten werden oft als Orte angesehen, an denen neue Ideen geboren werden, doch der Weg von einer Laborentdeckung zu einem Produkt, das das tägliche Leben verändert, verläuft selten geradlinig. Jahrzehntelang war die Standardmethode zur Messung des Erfolgs auf diesem Weg einfach: Man zählte die angemeldeten Patente, die unterzeichneten Lizenzen oder die neu ausgegründeten Unternehmen. Diese Zahlen erzählen eine Geschichte von Aktivität, aber sie erzählen keine Geschichte von Wirkung. Ein unterzeichneter Vertrag garantiert nicht, dass ein Unternehmen die Technologie tatsächlich genutzt hat, und ein neues Unternehmen garantiert nicht, dass es Arbeitsplätze geschaffen oder ein echtes Problem gelöst hat. In den letzten Jahren hat sich der Fokus in Richtung „Wissensvalorisierung“ verschoben, ein Konzept, das eine schwierigere Frage stellt: Wie verwandeln wir Wissen in echten wirtschaftlichen, sozialen und wissenschaftlichen Wert? Um dies zu beantworten, müssen Forscher über die Transaktion hinausblicken und das komplexe, vernetzte Geflecht der Beziehungen zwischen Wissenschaftlern, Unternehmen, Investoren und den Technologien selbst untersuchen. Es reicht nicht aus zu wissen, dass eine Gelegenheit bestand; man muss verstehen, warum einige Akteure sie ergriffen haben, während andere es nicht taten, und was danach geschah.
In einer neuen Studie schlägt ein Team von Forschern von LUM Enterprise einen frischen Weg vor, um diese komplexe Reise abzubilden. Sie argumentieren, dass die derzeitigen Werkzeuge, die von universitären Technologietransferstellen verwendet werden, wie ein Armaturenbrett sind, das nur den Tachometer zeigt, aber nicht die Tankanzeige oder die Motortemperatur. Um dies zu beheben, entwickelten sie ein Modell, das den Technologietransfer nicht als eine einzige Pipeline, sondern als ein Portfolio aus vier verschiedenen Ansätzen behandelt. Der erste ist der formale Transfer, bei dem Rechte durch Patente oder Lizenzen rechtlich definiert werden. Der zweite ist die kollaborative Co-Entwicklung, bei der Universitäten und Unternehmen Seite an Seite arbeiten, um eine Technologie an reale Bedürfnisse anzupassen. Der dritte umfasst offene Plattformen, die als geteilte digitale Räume fungieren, in denen Werkzeuge und Daten von vielen wiederverwendet werden können, ohne bei Null anzufangen. Der vierte ist das KI-gestützte Matching, bei dem Algorithmen helfen, die richtigen Partner zu finden, wobei dies hier als ein prospektives Werkzeug behandelt wird, das dennoch menschliches Urteilsvermögen erfordert. Die Forscher legen nahe, dass diese vier Ansätze dadurch wirken, dass sie unterschiedliche Arten von Reibung beseitigen: rechtliche Unsicherheit, die Schwierigkeit, abstraktes Wissen anzuwenden, die hohen Zugangskosten und die Probleme bei der Suche nach dem richtigen Partner.
Der Kern ihrer Arbeit ist ein Modell, das diese Ansätze mit der Bereitschaft der Nutzer und dem Einfluss ihrer sozialen Netzwerke verknüpft. Die Forscher postulieren, dass ein Unternehmen eher dazu neigt, eine neue Technologie zu übernehmen, wenn es über die internen Fähigkeiten verfügt, sie zu nutzen, und wenn es gesehen hat, dass andere in seinem Netzwerk mit ähnlichen Werkzeugen erfolgreich waren. Sie unterscheiden scharf zwischen dem Moment der Übernahme einer Technologie und dem darauffolgenden Wert. Sie trennen zudem den durch die endgültige Übernahme geschaffenen Wert von dem Wert, der bereits während des Lernprozesses selbst entsteht, wie etwa dem Wissen, das während der Zusammenarbeit gewonnen wird, noch bevor ein Produkt überhaupt auf den Markt kommt. Diese Unterscheidung ist entscheidend, da sie den Fehler verhindert, anzunehmen, dass ein gescheitertes Projekt keinen Wert produziert hat oder dass eine erfolgreiche Übernahme die einzige Quelle des Nutzens war.
Um zu testen, ob ihr Modell tatsächlich funktionieren kann, sahen sich die Forscher einem erheblichen Hindernis gegenüber: Die realen Daten, auf die sie Zugriff hatten, waren unvollständig. Sie untersuchten ein spezifisches universitäres Ökosystem in Südeuropa, das 47 Akteure und 124 Beziehungen umfasste. Die Aufzeichnungen zeigten, dass acht dieser Akteure mindestens eine Technologie übernommen hatten. Die Daten waren jedoch eine statische Momentaufnahme; sie verfolgten nicht, welcher Akteur welche Technologie nutzte, wann er damit begann oder wie er dorthin gelangte. Es war, als würde man ein Foto eines Rennens betrachten und sehen, wer die Ziellinie überquert hat, aber keinen Datensatz über die Startpositionen der Läufer, ihr Training oder den Weg, den sie genommen haben, besitzen. Aufgrund dieses fehlenden Details konnten die Forscher die realen Daten nicht nutzen, um ihre Theorie zu beweisen. Stattdessen verwendeten sie die realen Daten nur, um zu prüfen, ob ihr Modell die richtigen Dinge messen könnte, sofern die Daten verfügbar wären. Sie fanden heraus, dass die aktuellen Aufzeichnungen zu grob waren, um die ganze Geschichte zu erzählen, was die Lücke zwischen dem, was Universitäten berichten, und dem, was wirklich benötigt wird, um Erfolg zu verstehen, verdeutlichte.
Um zu beweisen, dass ihr mathematischer Rahmen fundiert und nicht nur eine theoretische Übung ist, erstellten die Forscher eine synthetische Version eines Ökosystems mittels Computersimulationen. Sie generierten Daten für 500 Akteure über zehn Zeitperioden hinweg und wussten genau, wie der „Übernahmeprozess“ in ihrer Simulation ablaufen sollte. Sie ließen ihr Modell dann die Regeln basierend auf diesen Daten ermitteln. Das Modell war erfolgreich und konnte die verborgenen Parameter präzise rekonstruieren sowie zukünftige Übernahmen besser vorhersagen als ältere, simplere Methoden, die davon ausgingen, dass alle gleichermaßen von allen anderen lernten. Diese Simulation zeigte, dass das Modell rechnerisch robust ist und in der Lage ist, zwischen verschiedenen Ursachen der Übernahme zu unterscheiden, selbst wenn die Daten unvollständig sind. Sie zeigte, dass der Ansatz praktikabel ist, vorausgesetzt, dass die notwendigen detaillierten Daten in Zukunft erhoben werden können.
Die Studie schließt mit einem klaren Satz von Leitlinien ab, wie Universitäten und politische Entscheidungsträger vorzugehen haben. Sie schlagen vor, dass Technologietransferstellen aufhören sollten, nur Transaktionen zu zählen, und stattdessen den gesamten Weg von der Gelegenheit bis zur Implementierung verfolgen sollten. Dies bedeutet, nicht nur aufzuzeichnen, wer einen Vertrag unterzeichnet hat, sondern auch, wer bereit war, die Technologie zu nutzen, von wem sie lernten und welcher spezifische Wert danach geschaffen wurde. Sie betonen, dass künstliche Intelligenz helfen kann, Partner zu finden, aber nur, wenn sie Teil eines größeren Prozesses ist, der eine menschliche Überprüfung einschließt und der tatsächlichen Bereitschaft des Empfängers folgt. Die Forscher warnen auch davor, anzunehmen, dass der gesamte Wert aus einem Endprodukt stammt; das Lernen, das während der Zusammenarbeit stattfindet, ist an sich schon wertvoll. Obwohl die Arbeit nicht den Anspruch erhebt, das Problem der Messung von Innovation gelöst zu zu haben, liefert sie einen präzisen Bauplan, wie dies zu tun ist. Sie bietet einen Weg, von vagen Indikatoren der Aktivität zu einem klaren, testbaren Verständnis dafür zu gelangen, wie Wissen in der realen Welt tatsächlich zu Wert wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.