From Technology Transfer to Ecosystem Value Creation: A Network-Aware Model of Adoption in University-Based Entrepreneurial Ecosystems

大学はしばしば新しいアイデアが生まれる場所と見なされているが、研究所での発見から日常生活を変える製品に至るまでの道のりは、決して一本道ではない。数十年にわたり、この過程における成功を測る標準的な方法は単純であった。すなわち、出願された特許数、締結されたライセンス数、あるいは設立された新会社の数を数えることである。これらの数字は活動の物語を語るが、インパクトの物語を語るものではない。契約が締結されたからといって、企業が実際にその技術を使用した保証はなく、また新しい会社が設立されたからといって、それが雇用を生み出したり、真の課題を解決したりすることを保証するものでもない。近年、焦点は「知識のバロリゼーション（価値化）」へと移っており、これはより困難な問いを投げかけている。すなわち、「いかにして知識を、真の経済的、社会的、そして科学的な価値へと変えるのか？」という問いである。これに答えるために、研究者は取引そのものを超えて、科学者、企業、投資家、そして技術そのものの間の、複雑に絡み合った関係性を検証しなければならない。機会が存在したことを知るだけでは不十分であり、なぜある主体はそれを掴み取り、他の主体は掴み取れなかったのか、そして彼らが掴み取った後に何が起きたのかを理解しなければならないのである。

LUM Enterpriseのチームによる新しい研究において、彼らはこの複雑な道のりをマッピングするための新しい方法を提案している。彼らは、大学の技術移転部門が現在使用しているツールは、スピードメーターだけを表示し、燃料計やエンジン温度を表示しないダッシュボードのようなものであると主張している。これを解決するために、彼らは技術移転を単一のパイプラインとしてではなく、4つの異なるアプローチからなるポートフォリオとして扱うモデルを開発した。第一は、特許やライセンスを通じて権利が法的に定義される「フォーマルな移転」である。第二は、大学と企業が実世界のニーズに合わせて技術を適応させるために、互いに協力して開発を行う「共同開発」である。第三は、ツールやデータをゼロから作り直すことなく多くの人が再利用できる共有デジタル空間として機能する「オープン・プラットフォーム」である。第四は、アルゴリズムが適切なパートナーを見つけるのを助ける「AIを活用したマッチング」であるが、これは人間による判断を必要とする将来的なツールとしてここで扱われている。研究者たちは、これら4つのアプローチが、法的不確実性、抽象的な知識を適用することの難しさ、アクセスの高コスト、そして適切なパートナーを見つけることの困難さといった、異なる種類の「摩擦」を取り除くことで機能すると示唆している。

彼らの研究の核心は、これらのアプローチを、それらを利用する人々の「準備性（レディネス）」および彼らの社会的ネットワークの影響力と結びつけるモデルである。研究者たちは、企業が新しい技術を採用するかどうかは、その技術を使用するための内部スキルを備えているか、そして自らのネットワーク内の他者が同様のツールで成功した事例を見ているかどうかに依存すると断定している。彼らは、技術が採用された瞬間と、その後に続く価値を明確に区別している。また、最終的な採用によって創出される価値と、製品が発売される前の共同作業の中で得られる知識のような、学習プロセス自体から創出される価値を切り離している。この区別は極めて重要である。なぜなら、失敗したプロジェクトは価値を生み出さなかったと決めつけたり、あるいは成功した採用こそが唯一の利益の源泉であると誤解したりすることを防ぐからである。

彼らのモデルが実際に機能するかどうかをテストするために、研究者たちは大きな障壁に直面した。彼らがアクセスできた現実世界のデータは不完全であった。彼らは、47の主体と124の関係を含む、南欧のある大学ベースのエコシステムを調査した。記録によれば、8つの主体が少なくとも一つの技術を採用していた。しかし、データは静的なスナップショットであった。どの主体がどの技術を、いつ使い始め、どのようにそこに到達したのかを追跡していなかったのである。それは、レースの写真を眺めながら、誰がゴールラインを越えたかは分かっているものの、ランナーのスタート位置やトレーニング、そして通った経路の記録が全くない状態であった。このような詳細な情報の欠如により、研究者たちは実データを用いて自説を証明することができなかった。代わりに、彼らは実データを、もし詳細なデータがあればモデルが正しい事象を測定できるかどうかを確認するためだけに用いた。彼らは、現在の記録は全容を語るには粗すぎることを発見し、大学が報告するものと、成功を真に理解するために必要なものとの間の乖再生を浮き彫りにした。

数学的枠組みが単なる理論的な演習ではなく、健全であることを証明するために、研究者たちはコンピュータ・シミュレーションを用いて、エコシステムの合成バージョンを作成した。彼らは500の主体と10の期間に関するデータを生成し、シミュレーション内では「採用」のプロセスがどのように機能すべきかを正確に把握していた。その後、彼らはモデルに対し、このデータに基づいてルールを特定するよう求めた。モデルは成功し、隠れたパラメータを正確に復元し、全員が一定の割合で学習するという古い単純な手法よりも、将来の採用をより正確に予測した。このシミュレーションは、モデルが計算論的に堅牢であり、データが不完全であっても、採用の異なる原因を識別できることを示した。これは、必要な詳細データが将来的に収集可能であれば、このアプローチが実行可能であることを証明している。

本研究は、大学や政策立案者が今後どのように進むべきかについて、明確なガイドラインを提示して結論づけている。彼らは、技術移転部門は取引数だけをカウントするのをやめ、機会から実装に至るまでの全行程を追跡すべきだと提言している。これは、単に誰が契約に署名したかだけでなく、誰が技術を使用する準備ができていたか、誰から学んだか、そしてその後にどのような具体的な価値が創出されたかを記録することを意味する。彼らは、人工知能はパートナーを見つける助けとなるが、それは受容側の実際の準備状況に従い、かつ人間のレビューを含むより大きなプロセスの一部である場合に限られると強調している。また、すべての価値は最終製品から生まれると想定することに対して警告を発しており、コラボレーションの過程で起こる学習は、それ自体が価値を持つものであるとしている。本論文は、イノベーションの測定問題を解決したと主張するものではないが、そのための精密な設計図を提供している。それは、漠然とした活動の指標から、知識がいかにして現実世界で価値へと変わるのかという、明確で検証可能な理解へと移行するための手段を提示しているのである。