1 Apuntes de clases Sesión Teoría de redes en innovación Asignatura Innovación y desarrollo de proyectos científicos y tecnológicos Doctorado en Ciencias Agrarias. 2008. Material preparado por Mauricio García Ojeda y Jaime Olavarría A. 1. Orígenes y evolución de la teoría de redes sociales1 En el orígen y desarrollo del análisis de redes se encuentran aportes de diversos investigadores en áreas como la sociología, la antropología, la psicología social y las matemáticas. Se trata, pues, de un campo de investigación multidisciplinario. Los fundamentos formales del análisis de redes sociales provienen de la teoría matemática de los grafos. Se atribuye sus inicios al matemático Leonhard Euler, quien en 1736 formuló el primer teorema de este teoría al dedicarse a resolver el problema doméstico de dar un paseo por los siete puentes de la ciudad prusiana de Königsberg evitando cruzar dos veces el mismo puente. Desde este orígen casi anecdótico se han desarrollado diversas aportaciones a esta teoría, pero no es hasta 1936 cuando Köning presenta en forma explícita y sistemática un cuerpo teórico al respecto, formulando axiomas matemáticos que describen las propiedades de los patrones formados por las líneas que conectan puntos en una red. Su obra tuvo un inmediato impacto intelectual y desde entonces el desarrollo de la teoría de los grafos hasta la actualidad ha sido monumental, convirtiéndose en una de las ramas más importantes de las matemáticas con aplicaciones en la antropología, sociología, la economía, la física, la biología, la ingeniería y la informática (Watts, 2006). Una de las líneas de más aplicación de la teoría de los grafos es la teoría de los grafos aleatorios2, desarrollada inicialmente a partir de modelos estadísticos3 orientados propiedades interactivas como la 1 Los contenidos de este apartado se basan fundamentalmente en Molina, 2001; Requena (2003); Rodríguez (2005); Scott, (2000); Wasserman y Faust (1995); Wolfe (1978) y Wellman (1988) 2 Los inicios de esta teoría pueden encontrarse en Erdós y Rényi (1959, 1960, 1961). Compilaciones de esta teoría pueden encontrarse en Alon y Spencer (1992) y Bollabas (2001). 3 A fines de la década de los setenta y durante la década de los ochenta el uso de modelos estadísticos para el análisis de redes sociales se extendió y se elaboraron modelos para el estudio de modelos de interacciones diádicas y de la evolución de redes a través del tiempo. Son destacables en estas materias 1 2 reciprocidad, mutualidad y la transitividad4. Actualmente esta teoría es desarrollada con gran fecundidad por las llamadas ciencias de la complejidad5 que analizan nodos conexos por enlaces aleatorios. La eleatoriedad de estas conexiones puede generar estados que van desde la máxima desconexión a la máxima conexión, pasando por todos los estados intermedios posibles. La principal implicación de ello es que las posibles combinaciones definen distintas posibilidades de circulación de contenidos entre los nodos. Físicos, biólogos e informáticos han descubierto que existen puntos críticos que generan transiciones de fase en los grados de conexiones entre nodos. Estas transiciones de fase han sido observadas, a partir de modelos formales y simulaciones informáticas, como propiedades de diversos sistemas complejos y han permitido una mejor comprensión de fenómenos como la explosión de enfermedades epidémicas, la generación de magnetización y la propagación de modas culturales. En sociología destaca la obra de George Simmel (1950) quien al centrar su atención en la estructura social, pudo generar explicaciones articulando los niveles micro-macro, haciendo énfasis en cómo las estructuras de las relaciones (por ejemplo, las relaciones diádicas y triádicas), afecta el contenido de las relaciones sociales. En antropología, la teoría de redes sociales se desarrolla en base a los aportes de la perspectiva estructural-funcional, derivada, por un lado, del los trabajos del Grupo de Manchester, formado por Max Gluckman y sus discípulos John Barnes, Elizabeth Bott y más tarde J. Clyde Mitchell, todos nucleados en torno al Departamento de Antropología Social de la Universidad de Manchester. Influenciados por la obra del estructural funcionalista Radcliffe-Brown (1940), considerados como los pioneros en el desarrollo de un cuerpo teórico acerca de la teoría de redes sociales. Para observar las estructuras sociales como redes de relaciones y específicamente para estudiar cómo las configuraciones de relaciones se estructuran a partir del conflicto y el poder, combinaron técnicas formales de análisis de redes con conceptos de la sociología sustantiva. Antes de los trabajos de estos antropólogos, la noción de red (web y network) había sido utilizada en forma metafórica. Fue Barnes (1954) quien realizó, por primera vez, un tratamiento explícito y analítico del concepto de red social con el fin de los trabajos de Holland y Leinhardt (1977). En paralelo, fueron ampliamente utilizados modelos algebraicos para el estudio de redes multirelacionales, específicamente analizando combinaciones de relaciones que fueron útiles, por ejemplo, para la compresión de estructuras de redes de roles (Boorman y White, 1976). 4 Davis (1967, 1970). 5 Los principales avances en ésta material se desarrollan en el Instituto Santa Fe de Nuevo México. Ver www.santafe.edu. En este contexto es ilustrativo el libro de S. Kauffman Investigaciones. Complejidad, autoorganización y nuevas leyes para una biología general (2003). 2 3 lograr claridad explicativa frente a la teoría de roles de la antropología estructural inglesa. Específicamente, utilizó el concepto de red (network) para analizar en una pequeña aldea de pescadores en Noruega la estructura social intermedia entre la comunidad, como tipo de sociedad tradicionalmente estudiado por la Antropología, y las sociedades complejas. Bott (1957) una antropóloga canadiense, por su parte, se sitúa en el nivel de las interacciones, estudiando el grado de vinculación entre las personas y su relación con la frecuencia de los contactos que mantienen. En este marcó planteó, por ejemplo, que el estudio de los roles sociales, particularmente los roles conyugales se explicaban mejor desde una perspectiva relacional que desde un análisis de clases sociales. Específicamente indicó que el grado de especialización de los roles de los cónyuges era proporcional al grado de conexión social que tenían, de su “conectividad” (densidad) (Bott, 1955). Esta autora introdujo este concepto que más tarde fue formalizado como una propiedad estructural de la red. Mitchell (1969, 1973, 1974) propuso el concepto de orden personal, concebido como el patrón de vínculos personales de un individuo y además, los vínculos que tienen esas personas entre ellos. Tomando como unidad de análisis los patrones de interacción, estudió la transferencia de información entre individuos y su incidencia en el establecimiento de normas y la creación de grados de consenso. En este contexto un gran aporte de Mitchell fue su énfasis en realizar distinciones entre diversos niveles en el análisis de redes: en una dimensión amplia, en una sociedad se puede distinguir la red total, en torno a la cual es necesario analizar aspectos particulares conceptualizados como redes parciales, en cuyo marco, a su vez, se ubican las redes egocentradas de relaciones de todo tipo. Otros aportes significativos fueron el uso del concepto de redes múltiples (multistranded o multiplex) entendidas como aquellas redes cuyos vínculos están constituidos por varios contenidos relacionales (amistad, parentesco, negocios, por ejemplo) y además, la identificación que conceptos que describen la calidad de las relaciones como la reciprocidad, intensidad y durabilidad. Mitchell y otros investigadores sistematizan, al alero del Rhodes-Livingstone Institute, fundado en 1937, las ideas del Grupo de Manchester en el ahora clásico Social Network in Urban Situations (1969). En general, este grupo de antropólogos crearon y utilizaron nuevos conceptos para la comprensión de las interacciones sociales observadas en el curso del trabajo de etnográfico de campo en el estudio de “sociedades complejas”. Por otro lado, están los estudios socioantropológicos de Elton Mayo (1933), W. Loyd Warner, quienes, a partir de los estudios Hawthorne (desarrollados en la 3 4 Western Electric Company en Chicago), orientados a identificar la incidencia de los aspectos psicológicos y sociales en el rendimiento de los trabajadores, aportaron evidencias sobre cómo el entorno tiene una notable influencia causal en el comportamiento de las personas. En este marco lograron hallazgos referidos a micro estructuras reticulares en el sistema de relaciones, como cliques, camarillas y pandillas con lazos informales. En este punto, destaca el estudio de Warner en New England City (la llamada “Yankee City”) en el que se menciona, a) un aporte teórico: no sólo es relevante el estudio de las relaciones entre las personas, si no además, la articulación en red de estos grupos relacionales, lo que permite explicar su integración en el sistema social, y b) un aporte metodológico: para el desarrollo del estudio mencionado, elaboraron matrices que relacionaban personas y eventos, o grupos o clases sociales, matrices que son conocidas en el análisis estructural de redes como matrices de afiliación. Fue en este estudio que Warner introdujo el concepto de clique, al constatar que las relaciones informales mantenidas por los individuos les ligan a una serie de subgrupos en los que la unión interna es fuerte, y que crean sus propias normas, valores, orientaciones y subculturas. Los trabajos estos investigadores de Chicago fueron recogidos por Homans (1963, 1979), quien, insatisfecho con el estructuralfuncionalismo parsioniano dominante en la sociología norteamericana, como producto de cinco estudios de casos formuló proposiciones explicativas con pretensión de generalidad sobre el funcionamiento de los grupos, que incluían aspectos relacionados a la frecuencia de las interacciones y las normas que las regulan. En psicología social y cognitiva investigadores alemanes asentados en Estados Unidos e influidos por la teoría de la Gestalt de Wolfang Köhler (1940), estudiaron, en las primeras décadas de siglo pasado, a través del estudio de casos en laboratorio, la estructura de grupos y la circulación de información y la formación de ideas en sus integrantes. En esta empresa participaron Jacob Moreno, Kurt Lewin y Fritz Heider. Moreno (1934) se orientó a describir, a partir de métodos psicoterapéuticos, la estructura de las vinculaciones interpersonales con contenidos de amistad, atracción y repulsión. Su objetivos fue estudiar la influencia que tenía la estructura de relaciones en a salud mental y en la conformación de grupos pequeños. En este marco encontró que las vinculaciones tienen influencia en el desarrollo psicológico de los individuos. Más en general, postuló que (las denominadas por él) configuraciones sociales, que inciden en el bienestar de los individuos y que resultan de patrones de elecciones y vinculaciones interpersonales, son la base de persistentes relaciones económicas y 4 5 políticas de nivel agregado. A partir de estas investigaciones Moreno funda la Sociometría, orientada a la representación gráfica de las propiedades de las configuraciones sociales. Estas representaciones análogas a las de la geometría espacial, tienen como elementos básicos a los individuos, significados por puntos y a las relaciones expresadas por líneas. Para visualizar gráficamente las relaciones Moreno creó técnicas cuantitativas de recogidas de datos relacionales que son los primeros antecedentes de los actuales cuestionarios generadores de nombres. En base a las representaciones relacionales que denominó sociogramas, analizó la influencia en las redes a partir de los flujos de información entre sus integrantes y además, la existencia de líderes e individuos solitarios (sin vínculos) y atributos de las relaciones como la asimetría y la reciprocidad. Estos elementos están contenidos en uno de los principales conceptos sociométricos; la estrella sociométrica, que grafica las relaciones al interior de un grupo en el cual un individuo A recibe relaciones de B, C, D, E y F y él, a su vez, sólo es recíproco con B y C, configurando sólo con ellos relaciones bidireccionales. Figura 1. Un sociograma: la estrella sociométrica La sociogramas fueron valorados por proveer una representación gráfica de la estructura grupal y por aportar un modelo probabilística de los resultados derivados de tal estructura. A partir de los postulados de Moreno, los sociogramas han sido ampliamente utilizados en temas como por ejemplo, las estructuras de influencia entre las elites en comunidades, las estructuras de roles en grupos, los modelos de interacción en grupos pequeños. Lewin (1936) afirmó, por su parte, que la conducta de un grupo está determinada por un campo de fuerzas sociales en las que el grupo se localiza (Lewin, 1936). El grupo y su ambiente constituyen elementos de un sólo campo de relaciones cuyas 5 6 propiedades pueden ser analizadas a través de técnicas matemáticas de topología (Lewin, 1951). En términos gráficos y estructurales, el campo es concebido un conjunto de puntos (que representan a individuos con sus metas y acciones) unidos por pasos (que dan cuenta de de las secuencias interaccionales y causales que vinculan a los individuos). Los individuos se insertan en regiones que representan fronteras entre conjuntos de puntos conectados entre sí, las que definen sus oportunidades en el marco del campo general en el que están inmersos y las constricciones que imponen estos límites constituyen las fuerzas que determinan la conducta de un grupo. Heider (1944, 1946), basado en la teoría del campo ya comentada, propuso el concepto de balance o equilibrio estructural aplicado inicialmente al estudio de actitudes y percepciones. La idea central es que las actitudes respecto a las personas y las formaciones de unidades causales se influyen mutuamente. Existe una relación de interdependencia entre elementos de la unidad p-o-x de un campo cognitivo: una persona p, otra persona o y una entidad impersonal x (un acontecimiento, idea, etc.). Si, por ejemplo, la persona p admira a o y o es responsable de x, p demostrará una actitud de aprobación hacia x. Este se puede concebir como un estado de equilibrio en el sentido en que la actitud de una de las partes hacia las otras partes de la unidad es similar. Por el contrario, si p admira a o, pero desaprueba x causado por o, p tendrá una actitud negativa hacia p, lo que produce un estado de tensión psicológica y se generarán fuerzas orientadas a reestablecer el equilibrio: en nuestro ejemplo, o bien p ahora no admira a o, o bien o modifica x o no lo causa más en el futuro. La idea de equilibrio estructural de Heider fue formalizada y generalizada para el estudio de la conducta grupal a partir de la teoría matemática de los grafos lineales (particularmente los grafos, dígrafo y grafo marcado que cualifican relaciones positivas y negativas y además indican la direccionalidad de las relaciones) por Cartwright y Harary (1956, 1979). En base al concepto de grado de equilibrio estos autores extiende el alcance explicativo del equilibrio estructural desde las estructuras cognitivas de una persona en particular hacia la representación de diversas configuraciones relacionales como redes de comunicación, sistemas de poder, estructuras sociométricas y sistemas de orientación6. Más en general, el concepto de equilibrio estructural y la tradición sociométrica generaron un intenso período de investigaciones teóricas y empíricas en los treinta años posteriores a su 6 Los trabajos de Harary junto con otros investigadores son sistematizados en Harary, F. Norman, R., Cartwright, D, (1965). Es importante además, la obra de Harary y Norman (1963). También destaca el aporte de Frank (1981). 6 7 formulación, logrando influencia en campos como la teoría de sistemas y los aspectos matemáticos de la cibernética y la teoría de la elección racional. Entre sus aplicaciones destacan la elaboración de modelos predictivos de contagios epidemiológicos, la transmisión de rumores y la adopción de innovaciones a través de cadenas de contactos (Coleman, Katz y Mentzel, 1957; Fararo, 1974; Rapoport, 1979; Rogers y Kincaid, 1981). Desde estos aportes seminales, cada una de las disciplinas mencionadas ha continuado desarrollando teorías y métodos en torno al análisis de redes sociales. En sociología, tomando como base las contribuciones ya indicadas de Mayo y Lloyd Warner, los llamados estructuralistas de Harvard o Grupo de Harvard, que incluían, entre otros, a S. D. Berkowitz (1982), Harrison White y Mark Granovetter, quienes estudiaron las dinámicas de inserción de los individuos en la estructura social. La idea fundamental de estos investigadores fue que para el análisis de redes, más que el estudio de las relaciones existentes entre una serie de individuos, es necesario analizar el patrón de relaciones que estos individuos tenían con el resto de la red. Sus aportes más relevantes fueron, primero, el desarrollo de modelos algebraicos aplicables al estudio de grupos, particularmente para conceptualizar el concepto de rol en la estructura social, segundo, el desarrollo del escalado multidimensional, técnica útil para representar gráficamente en dos dimensiones las relaciones expresadas en distancias sociales y tercero, la formulación del concepto de equivalencia estructural (que operativizaba la derivación formal de roles, en tanto serie ordenada de conductas en función de otros roles o posiciones) instrumentalizado a través de la técnica del blockmodelling. Su programa de investigación fue institucionalizado con la creación, en 1978, del International Network for Social Network Analysis (INSNA) fundada en Toronto, Canadá, y difundido a través de la publicaciones científicas Social Networks y Connections. White (1963, 1965, 1966, 1970) fue pionero en desarrollar, a partir de modelos matemáticos, propiedades estructurales de las redes susceptibles de análisis estadísticos, como la centralidad (posición de un individuo en la estructura de la red), densidad (proporción de los vínculos reales en comparación con los posibles en una red) y multiplicidad (multiplex network, multiplicidad de contenidos que circulan en los vínculos). Ya en la década de los noventa White (1992a) estudia cómo la existencia y la forma en que circulan los recursos en las redes define la existencia o no de conexiones (coupling o decoupling) y el tipo de estructura de la red. Esta idea que fue incubada en 7 8 los primero trabajos de White, es desarrollada por Granovetter (1974) en su célebre estudio del acceso a información para oportunidades de empleo a partir de la inserción en estructuras reticulares. Fue el propio Granovetter, junto a otros discípulos de Harrison White, quienes desarrollaron a partir de la década de 1970 y con gran impacto en la actualidad, la llamada nueva sociología económica. Esta perspectiva, inspirada en la sociología de Max Weber (1944) y en la antropología sustantiva de Karl Polanyi (1944), sostiene, basada en el primero, que no debe olvidarse que la acción económica es una categoría de la acción social y según el segundo, que la acción económica está inserta (embedded) en la estructura social. Granovetter (1985), abrió un amplio debate en torno al estudio de la relación entre economía y sociología y sus postulados han tenido gran influencia en estudios que implícita o explícitamente utilizan la perspectiva de redes sociales en campos como la inmigración (Portes y Sensenbrenner, 1993), el estudio de las organizaciones industriales (Baker, 1992; Brass y Burkhardt, 1992; Gerlach y Lincoln, 1992; Kanter y Eccles, 1992; Krackhardt, 1992; Nohria, 1992; Uzzi, 1996, 1997; White, 1992b) y el funcionamiento de los mercados (Granovetter, 2005; Nee, 1998; White, 1981, 1993). A partir de la lógica de la embeddedness, un planteamiento constructivista y la utilización de la teoría de redes sociales y el análisis estructural de redes, los investigadores adscritos a la nueva sociología económica han realizado estudios orientados a vincular cómo determinadas estructuras relacionales insertas en marcos normativos formales e informales tienen efectos positivos sobre la integración social, la movilidad en el mercado laboral, el control social y el cumplimiento de compromisos, entre otros. El ejemplo más notable es el de La fuerza de los lazos débiles propuesta por Mark Granovetter (1973, 1982), quien demostró cómo los individuos acceden a oportunidades diferenciadas para insertarse en el campo laboral en función del tipo de información con que cuenten. Así quienes formen parte, de redes sociales de lazos fuertes contarán con información redundante. En cambio, quienes, además de sus lazos fuertes (parientes, amigos muy cercanos, grupos de pertenencia), tengan lazos débiles (contactos con conocidos), podrán utilizar información distinta y nueva que les permitirá, por ejemplo, enterarse sobre oportunidades de empleo. Los lazos débiles, que tienen implicancias empíricas para los procesos de difusión de información en general, se asocian a la configuración estructural denominada puente7, que indica el único 7 Propuesta en un sentido general y formal desde la teoría de los grafos por Harary, Norman y Cartwright (1965). 8 9 camino o el más eficiente que tienen para vincularse diversos nodos no directamente conectados entre sí. Esta propuesta de Granovetter fue fundamental en el estudio de la inserción de los individuos a partir de su red egocentrada y, en un sentido más amplio, para el análisis de las transiciones micro-macro en las estructuras sociales. La siguiente figura representa la noción de lazos débiles y fuertes. Se aprecia dos redes (1 y 2), ambas integradas por nodos densamente vinculados. Los nodos representan individuos con relaciones fuertes (amigos íntimos y/o parientes, por ejemplo) que comparten recursos similares, pero los nodos a y b, que son sólo conocidos entre sí, pueden acceder a recursos diferentes (los que circulan en las redes que integra el otro) gracias al vínculo débil que mantienen y además, las red 1 y la red 2 no estarían conectadas entre sí, si no fuera por este lazo débil. Figura 2. Lazos fuertes y lazos débiles 1 2 a b Lazo fuerte Lazo débil Los avances de la teoría de redes sociales decantados en los estructuralistas de Harvard, han tenido gran influencia en la sociologia actual. Particularmente destaca la teoría del intercambio y la teoría del capital social. La teoría del intercambio (Cook, 1977, 1982, 1990; Cook, Emerson, Gilmore y Yamagishi, 1983), (que también es deudora de la obra de Homans) estudió, a través de redes experimentales, la distribución del poder (y los intercambios que se deriva de ello) a partir de los roles y posiciones que tienen los individuos en la red. La teoría del capital social, por su parte, en su perspectiva estructural, propone que el capital social son recursos como la información, las obligaciones de reciprocidad y las normas, a los que acceden los individuos a partir de su inserción en redes sociales y que son de utilidad para la 9 10 movilización de sus intereses particulares (Burt, 1997a, 1997b, 1999, 2002; Coleman, 1988, 1990; Herreros, 2002; Lin, 1999, 2001a, 2001b). La idea fundamental de estos autores es que los recursos de capital social podrán formarse y circular, a sí beneficiar (diferenciadamente) a los individuos, según su posición en la red y según la estructura que tengan estas relaciones sociales. Dos ejemplos ilustres al respecto son los conceptos de cierre de redes y agujeros estructurales, desarrollados respectivamente por James S. Coleman y Ronald Burt. El cierre de redes fue elaborado haciendo énfasis en el efecto control de las normas sociales. La idea es que las redes muy entretejidas, esto es, con alta vinculación entre sus integrantes, supone que las acciones de cada uno es observable por los otros, debido a que la información que circula es accesible a todos. En términos estructurales, aquí se incorpora la idea de densidad, ya tratada en psicología por Festinger, Schachter y Back (1950) y más tarde desarrollada por la teoría del análisis estructural de redes y la de closure o cierre de redes, utilizada, como se señaló, por James Coleman (1998, 1990). Una red con cierre en (a) y sin cierre en (b) puede visualizarse en el siguiente ejemplo: Figura 3. Red sin cierre en (a) y con cierre en (b) D E B C B C A A (a) (b) Fuente: Coleman (1988) En una estructura abierta como en la figura (a), el actor A, que tiene relaciones con los actores B y C, puede entregar información o emprender acciones que impongan externalidades negativas (sanciones) o positivas (incentivos o premios) sobre B o C o ambos. Como no tienen relaciones entre sí, sino con otros distintos (D y E), no pueden agrupar sus fuerzas para sancionar o premiar a A, con el fin de constreñir o reforzar sus 10 11 acciones. A menos que B o C por separado sean beneficiados o perjudicados suficientemente y sean suficientemente poderosos frente a A para premiarlos o sancionarlos por sí mismos, las acciones de A pueden seguir dándose sin ser influenciadas por los otros. En una estructura con cierre, como contrapartida, como la de la figura (b), B y C pueden unirse para imponer una sanción o un incentivo colectivo o cualquiera de ellos puede recompensar al otro por sancionar o premiar a A (Coleman, 1988). El sistema de mayor clausura y cierre y por tanto el más efectivo en la sanción de normas y obligaciones, es aquel en que los actores tienen directa relación entre sí y estas relaciones implican que cada uno se relaciona con todos y todos se relacionan con cada uno (Coleman, 1990). Esto se presenta en la siguiente figura: Figura 4. Red de tres actores con cierre total (full closure) A B C Fuente: (Coleman, 1990). Ronald Burt, por su parte, formuló el concepto de agujeros (o huecos) estructurales para adicionar a la idea de Granovetter de la fuerza de los lazos débiles, la importancia estratégica que tienen los individuos que poseen lazos débiles, al estar en una posición de control de recursos en relación a los vínculos fuertes de las redes que integran. La ausencia de vínculo entre dos redes constituye un agujero estructural y los individuos situados al borde de esos agujeros pueden conectar a estas redes a partir de los vínculos débiles que mantienen. Esta idea planteada en 1992 en el libro Structural Holes: The Social Structure of Competition, fue más tarde planteada en el marco de la teoría del capital social (1997a, 1997b, 1999, 2000a, 2000b, 2002) para indicar que los agujeros estructurales constituyen un capital social para los individuos ubicados en determinados 11 12 puntos de las redes y les otorgan una ventaja competitiva, en tanto posibilidad para controlar (acceder y difundir) recursos como la información. En este sentido, estos individuos tienen un rol de intermediación significativo y acceden a más recursos porque tienen más vínculos indirectos que el resto de los individuos. Ello les permite, por ejemplo, enterarse primero sobre la realización de actividades, y de esta forma acceder a oportunidades de variado tipo. También puede agregar valor a la información circundante al intermediar su acceso a otros individuos de las redes, dosificar los flujos de información y aumentar así su capacidad de negociación. La noción de agujero estructural es graficada en la siguiente figura: Figura 5. Red con agujero estructural 2. Conceptos fundamentales de la teoría de redes8 . Nodo: puntos que están conectados entre sí en una red. Pueden representar actores individuales (personas) o corporativos (organizaciones de diverso tipo: grupos informales, empresas, partidos políticos, un Estado-Nación, etc.) Generalmente se asume que se trata de agentes intencionales racionales, es decir, interesados en el logro de un determinado fin. . Vínculo: también denominado ligamen relacional. Gráficamente corresponde a las líneas que unen a los nodos en una red. Representan las relaciones sociales que pueden ser de diverso tipo. Por ejemplo, el análisis estructural de redes distingue y utiliza 8 Los contenidos de este apartado se basan en Kilduff y Tsai (2003) y Rodríguez (2005). 12 13 ligámenes de asociación o de afiliación, relaciones sociales formales, relaciones de parentesco, relaciones de intercambio y transferencia de recursos, etc. . Vínculo directo: cuando no existe un nodo intermediario entre dos nodos. . Vínculo indirecto: cuando el vínculo entre dos nodos es posible gracias a un nodo intermediario, que está ubicado entre ellos. . Paseo (walk): secuencia de líneas que conectan nodos. . Distancia (Path distance): la longitud del camino más corto entre dos nodos. . Red social: conjunto de nodos conectados entre sí. En términos de teoría de los grafos se expresaría una red como un conjunto de puntos interconectados por un conjunto de líneas o aristas. . Red egocéntrica (egocentrada o personal): se centra en un nodo de referencia más los nodos con lo que tiene relaciones. . Red sociocéntrica: conjunto de redes egocentradas. Considera todos los nodos y las relaciones entre ellos. . Estructura de la red: pautas de relaciones entre los actores en una red. . Sociograma (grafo): representación gráfica de una matriz relacional en la que los nodos son puntos (points) conectados entre ellos por una línea (aristas –“arcs”–, también denominadas “ligamen”, “ties”, links” o “bonds”) si existe relación. . Contenido relacional: indica la naturaleza del vínculo o ligamen relacional. El contenido puede ser de parentesco, amistad, comunicación, poder, negocios, etc. . Fortaleza de los ligámenes: frecuencia, duración, intensidad, reciprocidad entre los nodos. . Diada: corresponde a un par de nodos y su relación. Es la unidad mínima del análisis de redes. El vínculo y su contenido es una propiedad de la pareja de nodos y no de de ninguno de ellos individualmente. . Clique: también denominado cluster, se refiere a un grupo en el cual todos los nodos están directamente vinculados entre sí al menos por una arista. Se trata del máximo subgrafo completo posible. Un clique fuerte es aquel en el cual sólo se consideran las relaciones recíprocas y un clique débil es aquel en que se tienen en cuenta solamente la existencia de relación. En términos de la descripción general de la red, esta puede estar compuesta por un solo gran clique, tratándose de una red cohesionada, o por varios cliques, por cliques separados o superpuestos. 13 14 . Círculo social: grupo en el cual cada nodo está ligado a la mayoría (80%) de los otros nodos en forma directa y recíproca y el resto mantiene este tipo de relación con miembros del nodo, pero no necesariamente a todos. . Nodo desconectado (isolate, aislado o solitario): nodo que no tiene vínculos con otros nodos en la red. . Conexión de la red: grado de vinculación entre los nodos. Una conectada está conectada cuando los nodos están unidos por vías. La primera da cuenta de una red fuertemente conectada, si cada par de nodos es alcanzable a través de conexiones mutuas (bidireccionales), la segunda de una red de conexión unilateral, si cada par de nodos está ligado por un camino en una sola dirección y la tercera, de una red de conexión débil si los nodos están unidos por líneas sin considerar la dirección. Finalmente, una red está desconectada si al menos un nodo o conjunto de nodos no está ligado a ningún otro nodo. . Posiciones o roles sociales: son subgrupos dentro de una red definidos por las pautas de relaciones que conectan a los nodos entre sí. . Intermediario (broker): nodo que conecta dos redes. La ubicación del nodo intermediario indica el punto de corte (cut point) de una red: si se elimina ese nodo (y las líneas asociadas a él) la red resultante queda desconectada de otra. . Gatekeepers (porteros): nodos que debido a su posición estratégica, controla el acceso a la red y a los recursos que distribuye. Particularmente, transmite información y otros recursos hacia su red social desde sus vínculos con otras redes sociales. . Puente (bridge): conexión (línea) entre dos nodos que conectas dos redes. la línea constituye un puente si la elimina, se desconectan dos nodos, quedando, por ello, dos redes desconectadas entre sí. . Estrella: un actor que es el centro de una red social en términos de popularidad. . Grado: número de ligámenes de un nodo con otros. . Vecindario (neighborhood): los nodos con los cuales un nodo es adyacente, es decir tiene una conexión directa. . Inscrustación (embeddedness): enraízamiento. Refiere al solapamiento entre vínculos sociales (de amistad, parentesco, etc.) y económicos y las implicancias que esto tiene para el comportamiento en los intercambios económicos. . Homofilia: tendencia de los actores para interactuar, tener opiniones y comportamientos con otros que son similares a ellos en el marco de dimensiones como la etnia, edad, género, nivel educacional, nivel económico, etc. 14 15 3. Algunos postulados fundamentales9 . A partir del análisis de redes es posible explicar las estructuras que emergen desde las interacciones de los individuos y además, cómo estas estructuras tienen eficacia causal sobre las preferencias y comportamientos de los individuos, es decir, cómo proveen limitaciones y oportunidades para la acción individual. . La unidad de análisis del análisis estructural de redes son las relaciones entre individuos y nos las propiedades de estos. . La posición social, los valores, creencias y comportamientos de los individuos vienen definidos por su posición en las diferentes estructuras relacionales en las que participa. . Los ligámenes o vínculos entre los individuos son canales de transferencia y distribución de recursos materiales e inmateriales. El acceso a estos recursos dependerá de la posición que tengan los individuos en la estructura de relaciones. Por ello, la distribución y acceso a recursos no es homogéneo para los integrantes de una red. Esto define actividades de cooperación y competencia entre individuos o subgrupos por el acceso y control de recurso al interior de una red o entre redes. . Los ligámenes o vínculos son, por lo general, asimétricos, variando en contenido e intensidad. Las relaciones pueden ser distintas en el contenido relacional, en la cantidad de contenidos que circulan en un vínculo (pueden comprender un contenido –simplex– o varios –multiplex–), en la direccionalidad del vínculo (lo que indica existencia o ausencia de reciprocidad) y en la frecuencia de los contactos. . Los ligámenes o vínculos conectan a los nodos de una red en forma directa e indirecta. Por ello, los nodos deben ser definidos y analizados en el marco de diversos niveles de redes (estructuras de redes de diverso tamaño). . La estructuración de los lazos sociales crea redes no aleatorias. Esto tiene consecuencias en la formación de conglomerados agrupamiento: los lazos presentes en las redes son transitivos, si existe un lazo de A a B y de B a C, entonces existe un lazo indirecto explícito entre A y C y una mayor probabilidad de un lazo directo en algún momento. Esto tiene como implicancia, por ejemplo, que los amigos de la mayoría de los amigos son amigos entre sí. . Las diversas escalas de redes tienen distintos niveles de integración. A nivel individual, la red es altamente conectada, debido que él nodo egocentrado se encuentra 9 Apartado basado en Lin (2001a, 2001b); Molina (2001); Sanz (2003); Watts, (2006); Wellman (1988). 15 16 al centro de una densa red de relaciones sociales directas e indirectas. A nivel de la red general, los nodos generalmente están altamente desconectados, debido a que existen muchos pares que no tienen relaciones directas ni indirectas. Lo anterior se puede expresar en términos de medidas de centralidad global (densidad) y local (agrupamiento). . Los vínculos que atraviesan conglomerados (cliques o círculos sociales) proporcionan a los nodos que los componen acceso a recursos externos y además, proporcionan el soporte estructural para las coaliciones. 4. Niveles de análisis e indicadores para el estudio de la estructura de las redes sociales10 4.1 Niveles de análisis Pueden identificarse dos niveles en el análisis en el análisis estructural de redes: a) El primero, se vincula al foco de atención de una red. Aquí se puede estudiar la red de un actor, que es análisis egocentrado, o bien, la red que se conforma desde la red egocentrada de todos los actores que se vinculan entre sí, que es el análisis sociocéntrico. En este último nivel, puede enfocarse en subgrupos o subredes de una red general, en las relaciones de nodos/subgrupos con la red completa o en la red como una totalidad. b) El segundo distingue entre dos propiedades de la red: la centralidad y la cohesión: b.1. Centralidad: analiza la posición e influencia que tienen cada uno de los actores en la red. Se ocupa del grado de poder e influencia (como atributos relacionales) que tiene un nodo o actor de acuerdo a la posición que ocupa en la red. b.2. Cohesión: dice relación con el grado de entretejimiento global de los nodos en la red. Este entretejimiento se basa en los lazos positivos, negativos, intensos, directos o fuertes en la red. 10 Los contenidos de este apartado se basan en Borgatti y Foster, (2003); Freeman (1979); Hanneman (2001); Marsden (1990); Molina (2001); Porras y Hardy (2005); Requena (2003); Rodríguez (2005); Verd y Martí (1999) y Wasserman y Faust (1994). 16 17 4.2. Medidas de centralidad y cohesión A continuación se identifican algunas de las más importantes medidas de centralidad y cohesión. 4.2.1. Medidas de centralidad . Grado (degree centrality): es una medidad de centralidad local que se expresa como el número total de vínculos (de entrada y salida) que tiene un nodo (el número de actores con los que está directamente conectado). Cuando mayor cantidad de relaciones que tiene un nodo con el resto de la red, mayor será su “centralidad” y por ello, mayor su influencia y poder para acceder a recursos. El número total de vínculos que tiene un nodo constituye el tamaño de su vecindario. Puede distinguirse entre a) el grado (número total de vínculos de un nodo), b) el outdegree (el total de vínculos que salen de un nodo –con quienes se relaciona un individuo–). Si un nodo tiene un alto outdegree, se dice que es capaz de intercambiar con muchos otros o hacer a otros considerar su punto de vista y en este se dice que son influyentes, y c) el indegree (el total de vínculos que llegan a un nodo –quienes se relacionan con un individuo–).En términos de la transmisión de información para la innovación, el grado da cuenta de la capacidad de comunicación directa que tiene un nodos con los otros, Figura 6. Centralidad de grado de una red En la figura anterior, el nodo A tiene un grado de valor 6, ya que todos los nodos de la red (B, C, D, E y F) se conectan con él. Por esta razón es el nodo la mayor 17 18 centralidad. El resto de nodos, tienen un grado de valor 1, pues cada uno de ellos se conecta sólo con A en relaciones recíprocas (bidireccionales). . Intermediación (betweenness centrality): “estar en medio”. Expresada como el número de nodos no directamente conectados entre sí que pueden vincularse gracias a este nodo que opera como punto de paso. Se trata del grado en que un nodo está situado entre os otros nodos de la red. Cuando mayor sea la cantidad de relaciones intermediadas mayor será su centralidad. La intermediación permite determinar el grado en que un nodo puede constituirse en un “broker” (intermediario) o “gatekeeper” (portero). En general, un nodo con alta centralidad de intermediación controla caminos de interacción entre otros nodos. En términos de la transmisión de información para la innovación, la intermediación da cuenta del grado de control de información que tiene un nodo. Figura 7. Centralidad de intermediación una red (a) (b) En la figura 6, en la red a, el nodo A tiene el mismo valor de intermediación que los otros nodos. En cambio en la red b, A tiene la mayor capacidad de intermediación. Esta capacidad de intermediación difiere según la ubicación del nodo en la estructura de la red. En a siguiente figura se presenta una red en la que visualmente se hace evidente la importancia de la intermediación del nodo Nº 07. Este nodo permite que, gracias a él, se conecten las cuatro subredes que componen la red global. 18 19 Figura 8. Importancia de intermediación de un nodo en el contexto de la estructura general de una red Aquí, es necesario indicar porqué que el valor de intermediación es presentado en fracciones. Ello se explica a partir del siguiente ejemplo 11: Figura 9: Centralidad de intermediación en una red expresada en fracciones En esta red los nodos B, C y E se constituyen en intermediarios para que los nodos A y D pueden conectarse entre sí. Para que ello sea posible existen tres distancias geodésicas (los caminos más cortos): A-B-D; A-C-D y A-E-D. Nótese que en cada una de estas distancias participa uno de los nodos intermediarios. Por ello, al dividir la cantidad de veces en que un nodo participa como intermediario (1) por la cantidad de distancias geodésicas posibles (3), tenemos 1/3= 0.33333, que es el valor de intermediación de B, 11 Basado en Álvarez y Gallego (2005). 19 20 . Proximidad o cercanía (closeness centrality): es una medida de centralidad general entendida como la distancia en pasos (en nodos) que tiene un nodo con todos los otros nodos de la red. Un nodo tiene más centralidad mientras más cerca está del resto de los actores que cualquier otro. En términos de la transmisión de información para la innovación, la proximidad expresa la capacidad que tiene un nodo para comunicarse con otros nodos sin requerir de intermediarios. Figura 10. Centralidad de cercanía de una red En la figura anterior, el nodo D tiene el más alto grado de centralidad de cercanía, por lo que tiene más posibilidades de relacionarse con el resto de nodos de la red que el nodo A o el nodo F. Esto se debe a que su acceso directo o indirecto a los otros nodos es mucho más corto, en términos del número de pasos necesarios para ello. . Centro estructural: identifica el nodo o el conjunto de nodos en torno a los cuales gira toda la estructura de la red. . Centro absoluto: identifica un único nodo en torno a los cuales gira toda la estructura de la red. Este nodo debe equidistante del resto de nodos de la estructura y es el punto más cercano a todos los demás en términos de longitud de camino. . Prestigio: un nodo tiene prestigio en una red en la medida en que otros nodos de la red tienen vínculos con él. Esto significa que ese nodo recibirá más vínculos de los que envía. Un actor, por tanto, será prestigioso o prominente si recibe muchos vínculos. Medidas de prestigio son: a) el indigree (ya reseñado) entendido como el número de vínculos de entrada de un nodo, b) el área de influencia del actor, concebida como el conjunto de nodos ligados o que envían vínculos en forma directa o indirecta al nodo medido, y c) el Indice de Poder de Bonacich (Bonacich`s power), expresado a través del indicador de poder beta, que refleja el grado en que el prestigio de un nodo es función del prestigio de los nodos con que se vincula. Aquí se parte del supuesto que los nodos 20 21 que tienen más conexiones son probablemente más poderosos porque pueden directamente afectar a más actores. 4.2.2. Medidas de cohesión . Densidad: entendida como la proporción real de vínculos en la red en comparación a la proporción máxima de vínculos posibles (ratio entre el número de relaciones observadas frente al número potencial. La densidad se expresa formalmente como D = L/n(n-1)/2, donde L es el número de vínculos y n el número de nodos. Se expresa en un índice que varía entre 0 y 1. Si la densidad es de 1 (100%), la densidad es máxima. Aquí todos los nodos estarían conectados entre sí en forma directa, es decir, todos los puntos sería adyacentes. En las redes egocéntricas el análisis de la densidad se centra en los ligámenes que rodean a un nodo foco de atención. En las rede sociocéntricas, el análisis se centra en la densidad de la red en su conjunto. La densidad es susceptible de comparación entre redes y además, entre diferentes momentos de una misma red. Un ejemplo para ilustrar es el de una red compuesta por 100 nodos (n = 100) y en la que existe un total de 2.324 vínculos (L = 2.324). La red, entonces tiene la siguiente densidad: D= . 2.324 100(99)/2 = 2.324 = 0.46 (46%) 4.950 Esto expresa que la densidad alcanza un 46% de los lazos posibles. . Agrupamiento (cliques o subgrupos): es una medidad de cohesión local. Se manifiesta como un subconjunto de al menos tres nodos directamente conectados (adyacente) entre sí. Son conjuntos máximos de nodos que mantienen una relación directa y recíproca entre ellos. En términos de la transmisión de información para la innovación, da cuenta de una alta densidad de intercambio de información en subgrupos o conglomerados de nodos de la red. En la siguiente figura se presenta una red en la que se identifican cliques integrados por tres nodos cada uno. 21 22 Figura 11. Subgrupos (Cliques) en una red . n-clique: donde n es la máxima distancia de camino entre los actores que se consideran conectados en el clique. En esta medida que no sólo considera los lazos directos, sino que también se considera a un nodo como integrante de un clique si está conectado con todos los otros miembros a una distancia mayor que uno, es decir que toma en cuenta los lazos indirectos (“amigo de un amigo”). n corresponde a la longitud de la trayectoria permitida para hacer una conexión con todos los otros miembros. . K-plex: considera grupos en los que los nodos pueden estar conectados con todos menos con K nodos miembros. Así, un nodo es miembro de un clique de tamaño n, si tiene lazos directos con n-k miembros de ese clique. Con el k-plex es posible encontrar números relativamente grandes de pequeñas agrupaciones. . N-Clan: permite identificar círculos sociales, es decir, nodos que integran una misma subred, pero que no necesariamente están conectados con todos los nodos que lo integran. Hace posible identificar el diámetro de la subred o grupo, entendida como la distancia máxima tolerada entre dos nodos para permitir su inclusión en la subred. 22 23 5. La idea de redes sociales, sus externalidades positivas y su aplicación en el estudio de la innovación La perspectiva de redes sociales y la teoría de redes sociales han tenido desde hace dos décadas una importancia notable en el estudio de los procesos de innovación tecnológica. Por perspectiva de redes sociales entendemos el acervo de conocimiento en que se ha utilizado en forma implícita o explícita el concepto de redes sociales para la comprensión de los procesos señalados. En el marco de los estudios sobre los efectos del cambio del sistema capitalista y la globalización en los sistemas de producción surgen diversos conceptos que tienen como elemento básico la existencia de actores que interactúan a fin de generar innovaciones que les permiten ser más competitivos. Estos actores en interacción han sido concebidos como redes, entendidas en un sentido mínimo, como un conjunto de nodos vinculados entre sí. Entre estos conceptos (algunos solapados y situados en distintos niveles) mencionamos los distritos industriales (Becattini, 1992; Sengenbergen y Pyke, 1991), encadenamientos productivos (Gereffi, 1994), tejido productivo (Göske, 2000), sistemas tecnológicos (Carlsson, 1995, Carlsson y Stankiewicz, 1991), sistemas productivos locales (Caravaca et al., 2003), sistemas nacionales (Freeman, 1999; Lundvall, 1992; Nelson, 1993), regionales (Cooke, 1996; Cooke, Gómez y Etxebarria, 1997), sectoriales (Breschi y Malerba, 1997) y territoriales (Alburquerque, 2006) de innovación, comunidades epistémicas (Cowan, David y Foray, 2000) y los clusters industriales (Porter, 1990). Visto así, tenemos que el concepto de red es analíticamente aplicable, en algún sentido específico, a todos los conceptos antes mencionados y, por esta razón, como se dijo, se ha constituido en un relevante foco de atención en los estudios sobre la innovación tecnológica. También en torno al concepto de red se han analizado los efectos o externalidades positivas de la articulación entre actores. La idea que ha sido ampliamente desarrollada es que la cooperación en redes es una condición necesaria, y muy necesaria, para que los involucrados logren innovar y gracias a ello, insertarse y desenvolverse en los mercados globalizados. En esta lógica se han analizado efectos positivos como la competitividad sistémica (Esser, Hillebrand, Messner y MeyerStamer, 1996; Montero y Morris, 1999), la eficiencia colectiva12, el aprendizaje 12 Las redes pueden concebirse como estructuras de governación que, utilizando el lenguaje de la nueva economía institucional (Williamson, 1975), están entre el mercado y la jerarquía (Powell, 1990). Estas redes, al tratarse de vínculos con historia y continuidad, pueden generar procesos de intercambios que, en 23 24 colectivo13 la generación de cadenas de valor (Porter, 1990), la generación de confianza como base para la cooperación14, la producción de conocimiento a partir de comunidades epistémicas15, la difusión del conocimiento tácito y codificado16 y la términos de la nueva sociología económica (Granovetter, 1985), están incrustados en las relaciones sociales. Esto significa que las redes multiplex, es decir con diversos tipos contenidos relacionales, favorecen la creación de confianza, la que permite reducir los costes de transacción derivados de hacer cumplir los compromisos. Es posible que esta reducción de costes por el lado de la confianza, sea acompañada por adecuados arreglos institucionales formales como contratos e incentivos, que al generar ganancias mutuas repetidas, reducen la incertidumbre de los actores implicados en las redes (MacCann, Arita y Gordon, 2002; Smitka, 1991), lo que favorece intercambios de recursos (por ejemplo el intercambio intensivo de información). Esta reducción de costes de transacción sumada a las economías de escala logradas gracias a la localización en el caso de las empresas aglomeradas (que incluye además, asumir en conjunto, por ejemplo, costes logísticos de transporte, telecomunicaciones, etc.) hacen que se produzca en forma intencionada una gestión eficiente en toda la red, es decir se produce eficiencia colectiva (Schmitz, 1995). 13 El aprendizaje colectivo o interactivo es posible gracias a los vínculos y la historia de las relaciones que sostienen diversos actores implicados en procesos de innovación (Capello y Faggian, 2005). Además de los marcos institucionales que faciliten los intercambios (Lundvall, 1992; Johnson, 1992) y de la existencia de una “cultura local” (Pilon y DeBresson, 2003), la información que circula a través de redes densas pero no jerárquicas y con nodos que permiten el acceso a nuevo conocimiento, permiten que la información circule adecuadamente y se generen trayectorias que favorezcan la acumulación de conocimiento tácito y codificado común (Dupuy y Gilly, 1996). Las condiciones propuestas por Lawson y Lorenz (1999) como necesarias para el aprendizaje organizacional, esto es, compartir conocimiento y generar nuevo conocimiento combinando diversos conocimientos, también son requeridas para el aprendizaje colectivo como insumo para la innovación en las redes. 14 En las redes uno de los recursos más significativos que circula es la información. Si la estructura de una red presenta la suficiente densidad (y la información que circula no es redundante) y/o existen actores que tienen un papel de puentes o conectores que vinculan a subgrupos o cliques no directamente conectados entres sí, es probable que esta estructura facilite la circulación de información acerca de las preferencias y competencias de los actores. Si esta información muestra que los actores tienen suficientes credenciales y/o que cumplen sus compromisos, se les considerará confiables y se puede producir un depósito multilateral de confianza (entendida como una expectativa sobre las preferencias y comportamientos -Herreros, 2002-) entre los actores que integran la red. Esta confianza puede reforzarse si se generan interacciones iteradas con resultados eficientes, produciéndose así, una base para la cooperación condicional y estable, pues, en términos de teoría de juegos, la mutua convergencia de expectativas reducen el riesgo en los intercambios y genera equilibrios en que las partes involucradas obtienen ganancias. En este escenario es posible la generación compartida de innovaciones de procesos y productos y la difusión de innovaciones. Esta lógica de situación favorecida por la estructura de las redes, está a la base del compartir know-how en joint venture (Porter y Fuller, 1986) y de la gestión eficiente en los clusters (Gordon y McCan, 2000). 15 Las comunidades epistémicas, comunidades o redes de práctica, subgrupos cognitivos o colegios invisibles, pueden concebirse como redes semi-cerradas de especialistas (profesionales) en un área de conocimiento y/o producción, que, en base a vínculos cara a cara, de co-presencia y co-localización y teniendo como base un status similar y un reconocimiento mutuo, comparten información estratégica (recomendaciones, oportunidades de acceso a recursos) y conocimiento tácito y codificado (Brown y Duguid, 1991; Schrader, 1991; Wenger, 1998). La investigación empírica ha destacado dos propiedades estructurales de redes que favorecen la creación de nuevo conocimiento codificado entre comunidades epistémicas. Estas propiedades son alta densidad en los cliques (subgrupos) que conforman los especialistas y además, la existencia de nodos que tengan un alto valor de intermediación, es decir que conecten al subgrupo con otros subgrupos o comunidades (Giulliani, 2005; Morrison y Rabelloti, 1995). 16 Las redes son fuente de innovación pues permiten la circulación de información sobre la generación de novedades en procesos y productos. Sin embargo, este conocimiento codificado no circula “en el aire”, si no a través de canales de información en donde resalta el papel de los strong mutual exchangers: actores que tienen fuertes vínculos al interior de un subgrupo y por ello tienen alta de capacidad de hacer circular y también absorber información interna y además, de los technological gatekeapers: actores que tienen una posición central en la red en términos de transmisión de conocimiento y además, están conectados 24 25 generación de high tech a partir de alianzas estratégicas en el marco de la triple hélice (Etzkowitz, 2002). Además de que en las diversas formas de articulación de actores y sus efectos positivos para la innovación está implícito el concepto de red, éste ha recibido también un tratamiento explícito. En los estudios sobre la innovación son habituales términos como “redes económicas” (Cohendet, Heraud y Zuscovitch, 2003), “redes de innovación” y “redes de innovadores” (Camagni, 1991; De Bresson y Amesse, 1991; Freeman, 1991), “redes de conocimiento” (Owen-Smith y Powell, 2004), “efecto red” (Corrocher y Fontana, 2006), “red de alianzas” (Baum y Calíbrese, 2000), “red interoganizacional” (Kaatz, 1998), “red como forma de organización” (Powell, 1990) y “dinámica de producción en red” (Saxexian, 1991). Hasta ahora hemos presentado antecedentes sobre cómo en torno al estudio de la innovación tecnológica se ha utilizado en forma directa o indirecta la perspectiva de las redes sociales. Lo que más interesa destacar en este apartado es que, en adición a lo anterior, existe un creciente tratamiento formal, desde la teoría de redes sociales, de la innovación como un fenómeno interactivo. A partir de un amplio utillaje conceptual y metodológico que hace posible mensurar las estructuras relacionales y derivar de ello consecuencias para la innovación, se ha estudiado diversos aspectos como, por ejemplo, la estructura de la red y los procesos de flujos y difusión de conocimiento e innovaciones (Assimapkopoulus, 2003; Breschi, Lissoni y Malerba, 2003; Burt, 2004; Tsai, 2001), las estructuras reticulares (vínculos directos, indirectos a agujeros estructurales) en la colaboración científica y tecnológica (Ahuja, 2000; Cowan, Jonard y Zimmermann, 2005; Gay y Dousset, 2005; Wagner y Leydesdordff, 2005), la coinvención (Baba, Schichijo, Nagahara y Yarime, 2005), la proximidad relacional como aspecto más relevante que la proximidad geográfica en la generación de knowledge spillovers (Breschi y Lissoni, 2003), la evolución de las redes de innovadores (Soh y Roberts, 2003), la producción científico-tecnológica (de la Rosa, Pozo y Gasca, 2004; Molina, Muñoz y Domenech, 2002; Olmeda, Perianes y Ovalle, 2007) y la aplicación de políticas de I+D+I (Oliver, 1994; Sanz, 2001; Sanz, Fernández y García, 1999). con otros subgrupos desde los cuales pueden absorber conocimientos (Giuliani y Bell, 2004) que mientras menos redundantes sean, mayores insumos traerán para la innovación (Martínez, 2004). 25 26 6. Aplicación de análisis de redes sociales en el estudio de cluster de vinos. Los estudios de Elisa Giuliani. En este apartado se analizan los aportes de Elisa Giuliani17, quien con el fin de aportar al estudio del aprendizaje localizado y la innovación en los cluster industriales, centra su interés en los procesos de acceso y difusión de conocimiento al interior de los cluster de la industria vitivinícola y en su implicancia en el performance de las viñas que los integran. Para este fin, y a través del uso del análisis de redes sociales y métodos econométricos, Giuliani presenta como hallazgo fundamental que en los cluster industriales vitivinícolas la difusión de conocimiento es desigual y selectiva al producirse preferentemente al interior de grupos altamente cohesivos de empresas. Que las empresas integren estos grupos selectivos y se beneficien del acceso a conocimiento nuevo depende de sus bases de conocimiento y de su capacidad de absorción de conocimiento. A continuación se presentan antecedentes relacionados con cada uno de estos elementos. Bases de conocimiento En un estudio sobre los procesos de difusión de conocimiento en clusters vitivinícolas en Colline Pisane y Bolgheri/Val di Cornia en Italia y en el Valle de Colchagua en Chile, Giuliani (2005, 2007) se orienta a revisar la idea presente en la literatura referida a que en los cluster el conocimiento es creado y difundido de forma inclusiva y homogénea entre las empresas que los conforman. Específicamente, se ha afirmado que la proximidad geográfica, la proximidad relacional y el entorno territorial favorecen la difusión de conocimiento que se constituye en un bien público localizado, que, en una “atmósfera Marshalliana”, fluye en el aire. En este marco, se ha supuesto que existe una concurrencia entre la interacción de negocios y el flujo de conocimiento entre las empresas. Giuliani, entre otros investigadores, cuestiona este punto de vista y afirma que para una mejor compresión de los procesos de innovación en los cluster, es necesario centrar la atención en el nivel de aprendizaje en las empresas. En este contexto, la investigadora resalta la importancia de la base de conocimiento, concebida como el acervo de información, conocimiento y capacidades que, en tanto atributo de la 17 PhD. Research Fellow SPRU- Science and Technology Policy Research, The Freeman Centre, University of Sussex; DEA Facoltà di Economia, University of Pisa. 26 27 empresa como un todo (y que se configura como resultado de una trayectoria de aprendizaje), favorece la emergencia de soluciones innovadoras18. Teniendo en cuenta esta variable, Giuliani formula la siguiente pregunta: ¿cómo la heterogeneidad de las bases de conocimiento de las empresas se vincula con la forma en que se difunde el conocimiento entre las empresas y con las características estructurales de la red de conocimiento de los cluster? Desde esta pregunta desprende como hipótesis que: a) la estructura de la red de conocimiento se relaciona con la heterogeneidad de las bases de conocimiento de las empresas en los cluster y, b) la estructura de conocimiento difiere significativamente de la red de interacción de negocios. Los hallazgos empíricos, en primer lugar, confirman la primera hipótesis. Concretamente, se demuestra que existe relación entre las bases de conocimiento de las empresas y las características estructurales de las redes de conocimiento. Específicamente, las empresas con bases de conocimiento más fuertes tienden a ser más centrales en las redes de conocimiento19. La estructura de la red de conocimiento fue medida a través de la centralidad de grado y el agrupamiento. En relación a la centralidad de grado, se indica que las empresas con fuertes bases de conocimiento tienden a mostrar un alto grado de conectividad. Respecto al agrupamiento, el análisis de los grupos cohesivos muestra que las redes de conocimiento de los tres valles son segmentadas y se estructuran en torno a subredes integradas fundamentalmente por las empresas con más altos valores en sus bases de conocimiento. En el caso de la red de conocimiento del Valle de Colchagua esta presenta una clara estructura centro-periferia, en donde el centro está integrado por empresas altamente conectadas entre sí y que tienen fuertes bases de conocimiento y la periferia se compone de empresas sin vínculos con otras (isolated firms) y además, de empresas que tienen escasos vínculos con las empresas del centro y también, débiles bases de conocimiento. La densidad entre las empresas del centro de la red es de un 0.57 y la de la periferia es sólo de 0.026. Ante la interrogante de por qué las empresas con bases de conocimiento más fuertes son las más centrales en las redes de conocimiento, Giuliani propone como explicación que ello se debe a que las empresas con altas 18 En la investigación mencionada la base de conocimiento es asociada con el número de trabajadores con conocimiento experto (enólogos y agrónomos) empleados a tiempo completo en la empresa, con los meses de experiencia de esos trabajadores en la industria del vino y con la intensidad de las actividades de experimentación de las empresas. 19 Esta idea es formulada y validada como hipótesis en Giuliani (2007): las empresas con fuertes bases de conocimiento tienen más posibilidades de ser centrales en la red de conocimiento del cluster. 27 28 capacidades internas son percibidas como “líderes tecnológicos” y además, a que gracias a sus bases de conocimiento tienen más capacidades de absorber el conocimiento distribuido por otras empresas similares o más destacadas, y en consecuencia, tienen más posibilidades de integrar las redes de conocimiento. Esta expectativa que es común entre las empresas con similares bases de conocimiento les genera beneficios mutuos a partir de los intercambios recíprocos conocimiento. Esto permite explicar la formación de grupos cohesivos de conocimiento. La segunda hipótesis, que indica que la estructura de la red de conocimiento difiere significativamente de la red de interacción de negocios, también es validada. A través de la densidad relacional se encuentra que los valores de esta medida son significativamente más altos en la red de negocios que en la de conocimiento. Destacamos estos valores en el cluster de Colchagua, que son de 0.3 y 0.09 respectivamente. En otro estudio Giuliani (2004) encuentra para el valle de Colchagua, que las bases de conocimiento de las empresas se relacionan con el grado de que conexión al interior y fuera del cluster20. Además, al estudiar los tres valles antes mencionados, Giuliani (2006a), muestra que las bases de conocimiento, junto al grado de inserción en las redes locales, tienen importancia para el perfomance de las empresas. El performance es considerado como un indicador de la calidad de los logros de una empresa y por ello se midió a partir de rating que se generó desde la evaluación de la calidad de los vinos realizada por expertos enólogos y publicada en la revista Wine Spectator. El rating fue utilizado como variable dependiente y la base de conocimiento y la inserción de las empresas (expresada en la centralidad de grado) en las redes de interacción comerciales y en las redes de conocimiento fueron las variables independientes. A partir del estudio se encontró que las bases de conocimiento están fuerte y positivamente relacionadas con el performance, lo que explica porqué las empresas que tienen trabajadores expertos mejor educados y con más experiencia y que tiene más niveles de experimentación interna, son las que tienen más posibilidades de explotar conocimiento para la generación de innovaciones sucesivas. Además, los resultados mostraron que las empresas que interactúan con otras tienen más posibilidades de lograr una buena performance y que 20 El sistema de conocimiento intra-cluster considera los flujos de conocimientos transferidos al interior de los límites del cluster por empresas que operan como productoras de vino. La adquisición de conocimiento extra-cluster incluye fuentes nacionales e internacionales constituidas por empresas, universidades, asociaciones de negocios, proveedores y consultores. 28 29 existe relación entre la centralidad de grado en las redes de conocimiento y el performance. Giuliani (2006b) profundiza en el estudio de la importancia de los vínculos en el performance a partir de una hipótesis que indica que las empresas caracterizadas con una alta performance innovadora deberían ser las que establecen más fuertes vínculos con otras empresas exitosas en el cluster. Esta hipótesis no fue validada, lo que indica que no basta sólo la asociación con “los mejores del vecindario”, incluso cuando únicamente se consideran los vínculos más fuertes. Las empresas pueden orientarse a imitar a las mejores, pero esto puede no ser realmente significativo para su performance o puede que la incidencia en un buen performance lleve tiempo para materializarse, o puede que, simplemente, las mejores empresas pongan barreras a la imitación. Capacidad de absorción de conocimiento El acceso a nuevo conocimiento depende también de la capacidad de absorción de las empresas, concebida como la capacidad de reconocer, asimilar y explotar el conocimiento disponible desde fuera del cluster. Esta capacidad es medida considerando el capital humano de las empresas y sus esfuerzos internos de experimentación (Giuliani, 2003b). En relación al acceso a nuevo conocimiento desde empresas del cluster, Giuliani (2003a) y Giuliani y Abell (2004) afirman que las empresas que forman parte de grupos cohesivos que estructuran el centro de las redes de conocimiento en el Cluster de Colchagua, además de tener fuertes bases de conocimiento según lo ya comentado, tienen una capacidad de absorción de conocimiento considerablemente mayor (0.58) que las que se encuentran en la periferia de la red (-0.45). Una conclusión muy importante que se estableció es que la capacidad de absorción de las empresas y la participación de su personal profesional en subgrupos cohesivos y centrales de conocimiento son elementos interconectados que conforman la estructura del sistema de conocimiento en los cluster. Estos grupos cohesivos son denominados comunidades epistémicas, concebidas como redes semi-cerradas de especialistas (preferentemente profesionales enólogos y agrónomos) en un área de conocimiento y/o producción, que, en base a vínculos cara a cara, de co-presencia y colocalización y teniendo como base un status similar y un reconocimiento mutuo, comparten información estratégica (recomendaciones, oportunidades de acceso a recursos) y conocimiento (Giuliani, 2003b). Otra conclusión central es que las 29 30 comunidades epistémicas son conformadas por empresas con similares capacidades de absorción de conocimiento. Respecto a los flujos de conocimiento que provienen desde fuera del cluster, Giuliani y Abell (2004) formulan y validan dos hipótesis que afirman que las empresas con alta capacidad de absorción tienen más posibilidad de establecer vínculos con otras empresas locales y que las empresas con diferentes niveles de capacidad de absorción tienen diferentes posibilidades de establecer diferentes tipos de posiciones cognitivas al interior del sistema de conocimiento de los cluster. La primera hipótesis es confirmada al encontrar, a través del coeficiente Kendal tau_b, correlaciones entre la capacidad de absorción y medidas de centralidad como la centralidad de grado, expresada como vínculos de entrada (in-degree) y vínculos de salida (out-degree), y la centralidad de intermediación. La segunda hipótesis también fue confirmada. Aquí, la posiciones cognitivas al interior de la red de conocimiento fueron definidas según un ratio del nivel de centralidad de grado (incluyendo los vínculos de entrada y de salida). De mayor a menor ratio de centralidad las empresas fueron clasificadas como fuentes de conocimiento, intercambiadores de conocimiento, receptores de conocimiento y empresas desconectadas. Por medio del mismo coeficiente señalado se encontró, primero, que existe una correlación entre la capacidad de absorción de las empresas y las posiciones cognitivas que ocupan y, segundo, que la capacidad de absorción varía considerablemente a través de diferentes posiciones cognitivas. Es destacable que la mayor capacidad de absorción la presentan las empresas fuentes de conocimiento y la menor capacidad las empresas desconectadas. En un sentido general, las empresas con una capacidad de absorción muy baja tienen una alta distancia cognitiva (total distancia en el caso de las empresas aisladas) con el resto de las empresas21. Puntualmente, esto sirve para cuestionar la idea presente en la literatura de que la inclusión en círculos de conocimiento se produce en función de la proximidad geográfica, la inscrustación social (embeddedness) y los vínculos productivos. En el valle de Colchagua, algunas empresas han producido vinos en el área por generaciones y han interactuado con otras empresas locales con propósitos productivos, pero han sido excluidas de los círculos locales de conocimiento porque no han sido capaces de decodificar el conocimiento que es distribuido en estas redes (Giuliani, 2003b). 21 Esto es formulado explícitamente como una hipótesis que fue validada: “Las empresas con baja capacidad de absorción tienden al aislamiento cognitivo y no se benefician de la proximidad con otras empresas” (Giuliani, 2003b) 30 31 Es interesante indicar respecto a la centralidad de grado, específicamente en relación a los vínculos de salida (out-degree), que se detectó que la capacidad de absorción tiene influencia en la propensión de las empresas para transferir conocimiento a otras empresas y de esta forma, se constituyen en una fuente de conocimiento tecnológico al interior del cluster. También la capacidad de absorción es fundamental para que las empresas accedan a nuevo conocimiento a partir de fuentes externas al cluster. La tercera hipótesis formulada por los investigadores mencionados señala que las empresas con más alta capacidad de absorción tienen más posibilidad de vincularse con fuentes de conocimiento extra-cluster. A través del coeficiente Kendal tau_b se demuestra que existe correlación de un 0.45 entre apertura externa y capacidad de absorción, lo que permite confirmar la hipótesis formulada. Además, se estableció una relación entre la posición cognitiva en la red de conocimiento intra cluster de las empresas y su grado de apertura a fuentes de conocimiento extra-cluster. Desde esta relación se establecieron cinco tipos de roles cognitivos: los gatekeepers (porteros o puerta de entrada)22 tecnológicos, los intercambiadores fuertes de conocimiento (strong mutual exchangers), los intercambiadores débiles de conocimiento (weak mutual exchangers), las estrellas externas (external stars) y las empresas desconectadas. El primer tipo de rol se relaciona a empresas que tienen una posición central en la red en términos de transmisión de conocimiento hacia otras firmas en el cluster y que además, están fuertemente conectadas con fuentes externas de conocimiento que absorben y luego distribuyen en el cluster23. El segundo corresponde a empresas centrales en la red de conocimiento que tienen una posición equilibrada como fuente y receptora de conocimiento al interior del cluster. El tercero integra a empresas que tienen características similares a las anteriores, a excepción de un menor grado de conexión con otras empresas del cluster. El cuarto incorpora a empresas que han establecido fuertes vínculos con fuentes externas de conocimiento, particularmente con empresas del rubro, con enólogos consultores y organismos del sistema nacional de innovación, pero que tienen limitadas conexiones al interior de la red de conocimiento del cluster, 22 En teoría de redes los gatekeepers (porteros) son nodos que debido a su posición estratégica, controlan el acceso a la red y a los recursos que distribuye. Particularmente, transmiten información y otros recursos hacia su red social desde sus vínculos con otras redes sociales. 23 Este rol cognitivo es analizado en una hipótesis que fue validada: “Las empresas con alta capacidad de absorción de conocimiento tienen más posibilidades de adquirir conocimiento extra-cluster y transferirlo localmente a través de los gatekeepers tecnológicos” (Giuliani, 2003b). 31 32 relacionándose preferentemente con empresas que tienen la posición cognitiva de receptores de conocimiento. Finalmente, las empresas solitarias no tienen vínculos dentro y fuera del cluster. Los tres primeros tipos de roles se conectan activamente al interior de la red de conocimiento, contribuyen positivamente a los procesos de aprendizaje y constituyen el centro de la capacidad de absorción del cluster a través de tres actividades fundamentales: adquieren conocimiento desde fuera del cluster, generan nuevo conocimiento desde la experimentación al anterior del cluster y contribuyen a la difusión de conocimiento, también al interior del cluster. Respecto a este último punto destacan los gatekeepers tecnológicos y los intercambiadores fuertes de conocimiento, quienes dados los altos valores de sus vínculos de salida (out-degree), muestran su relevancia en la transferencia de conocimiento hacia otras empresas. Son los depositarios de las novedades técnicas al interior de las redes de conocimiento, lo que es sabido por otras empresas que acuden a ellos en busca de consejos y sugerencias. Especialmente importantes son los gatekeepers tecnológicos, que al conformar una comunidad de conocimiento cohesiva, son generadores de un rico proceso de aprendizaje en el valle de Colchagua (Giuliani, 2004). En comparación con los gatekeepers tecnológicos, los intercambiadores fuertes de conocimiento tienen menos vínculos de salida (es decir dirigidos hacia otras empresas), por lo que constituyen una fuente de recursos menos relevante y además, sus niveles de experimentación local son menores. Los intercambiadores débiles de conocimiento, si bien presentan niveles similares de apertura y experimentación que los anteriores, disponen de mucho menos conocimiento que mostrar, por lo que en definitiva, resultan ser menos relevantes en la red al interior del cluster, lo que se refleja en sus bajos índices de centralidad de out-degree. Las empresas desconectadas y las estrellas externas son periféricas en la red pero tienen características distintas. Las empresas desconectadas son deficientes en todos los aspectos ya mencionados. Tienen una baja capacidad de absorción, bajos niveles de experimentación, su nivel de centralidad intra-cluster en muy bajo o nulo y no acceden a conocimiento desde fuera de la red de conocimiento del cluster. Las estrellas externas, si bien son marginales en sus vínculos locales, tiene altos niveles de capacidad de absorción entre las empresas del cluster y son los segundas en importancia por su apertura externa después de los gatekeepers, lo que se expresa en su alto nivel de experimentación realizado fuera del cluster y además, en los flujos de conocimientos 32 33 externos a los que acceden. Estos conocimientos son escasamente distribuidos en el cluster, lo que se refleja por los bajos índices en sus vínculos de salida. Ello, a pesar de que sus índices de vínculos de entrada son mayores, es decir reciben más vínculos, sobre todo de gatekeepers, que los perciben como empresas avanzadas en el cluster, aunque éstos no son reciprocados en su transferencias de conocimiento. En general, las estrellas externas escasamente realizan aportes de conocimiento al interior de cluster. En relación a la apertura externa de las empresas, cabe destacar que una de las fuentes fundamentales de conocimiento proviene desde sus conexiones con instituciones y organizaciones del sistema nacional de innovación. En base a datos disponibles del valle de Colchagua, Giuliani (2003a) señala que las empresas en el cluster se vinculan con instituciones de investigación y asociaciones de negocios desde las cuales han recibido soporte técnico, entrenamiento y otros conocimientos técnicos24. Sin embargo, en relación al grado de vinculación de las empresas cabe destacar dos cosas. Primero, que las empresas se vinculan igualmente con las asociaciones de negocios que son Chile VID A.G, la Asociación Viñas de Chile A.G. y la Corporación Chilena del Vino se vinculan, pero se vinculan preferentemente con algunas instituciones de investigación que son, en orden de importancia, el CEVIUC de la Pontificia Universidad Católica, el Centro Tecnológico de la Vid y el Vino de la Universidad de Talca, el Servicio Agrícola y Ganadero, la Facultad de Ciencias Agronómicas de la Universidad de Chile y la Fundación Chile. En menor grado se conectan con el Instituto Nacional de Investigación Agropecuaria y con INTECH Chile. Segundo, que no todas las empresas tienen el mismo nivel de conexión con las organizaciones e instituciones del sistema nacional de innovaciones: algunas se conectan con todas o con la mayoría de estas organizaciones, otras estan débilmente vinculadas y otras no tienen ninguna ligazón y se encuentras aisladas. Esto supone un acceso asimétrico a nuevos conocimientos que tiene consecuencias para el aprendizaje e innovación de las empresas. De hecho Giuliani propone una tipología de empresas en función de su conexión tanto con otras empresas al interior del cluster (interconexión cognitiva) como con organizaciones e instituciones del sistema nacional de innovación (apertura externa)25. Así, considerando de mayor a 24 Un 69% de las empresas indican tener vínculos de conocimiento con institutos de investigación y un 56% con asociaciones de negocios. Esto demuestra que el grado de apertura externa para el acceso de conocimiento extra-cluster en el valle de Colchagua es alto. En comparación en Colline Pisane (Italia), sólo un 28% se relaciona con institutos de investigación y un 3% con asociaciones de negocios (Giuliani, 2004). 25 Además de las conexiones internas y externas se considera como variables la capacidad de absorción de conocimiento, el nivel promedio de performance, el grado de experimentación, grado de producción 33 34 menor grado sus vinculaciones, estas empresas son clasificadas como innovadoras, imitadoras y laggards. Cabe destacar que las empresas innovadoras son aquellas que son líderes en el proceso de renovación tecnológica en el país, al invertir en investigación aplicada en forma conjunta con las organizaciones del sistema nacional de innovación. Finalmente, es interesante el hallazgo de que la capacidad de absorción de conocimiento y el grado de conectividad en las redes de conocimiento (variables que, como ya se indicó están asociadas) se relacionan a su vez con el perfomance de las empresas (medido a partir de la dimensión de las empresas en términos de sus ingresos, el precio por litro de vino vendido y porcentaje de la población en el total de la producción). Giuliani (2003b) valida la hipótesis que postula que hay una relación entre los patrones de aprendizaje de las empresas al interior del cluster y perfomance. Identificó tres patrones de aprendizaje: Local “lagging behind” firms: con baja capacidad de absorción, escasa interconexión y bajo performance; Local “lagging venid” firms: con mejor capacidad de absorción e interconexión y con alto performance; y los Outsiders (Foráneos): un patrón intermedio que muestra bajos niveles de capacidad de absorción y grado de interconexión y un alto nivel de performance (aunque un poco inferior al anterior). Concluye que la relación entre performance y patrones de aprendizaje dinámica y mutuamente reforzadora. Las empresas integradas en el primer patrón, al tener una baja capacidad de absorción tienden a estar aisladas y tienen un bajo performance, por lo que necesitan de soportes institucionales para mejorar su capacidad de absorción de conocimiento. En contraste, las que se encuentran en el segundo patrón, son empresas con alta capacidad de absorción e integran y se benefician de los subgrupos cohesivos de conocimiento (las comunidades epistémicas). Además, están fuertemente conectadas con fuentes de conocimiento extra-cluster e introducen nuevo conocimiento (sobre nuevas técnicas, productos, materiales y equipos) al interior de los grupos cohesivos. Como conclusión, en relación a la importancia de la capacidad de absorción, Giuliani (2002) indica que es fundamental en los procesos de adquisición, difusión y creación de conocimiento en los cluster. basada en el conocimiento local y el grado en que la propiedad de la empresa corresponde a capitales extranjeros. 34 35 Bibliografía Ahuja, G. (2000). “Collaboration, Structural Holes, and Innovation: A Longitudinal Study”, Administrative Science Quarterly, 45 (3): 425-455. Alburquerque, F. (2006). “Notas acerca del enfoque del Desarrollo económico territorial para el empleo”, en P. Vergara y F. Alburquerque (eds.), Desarrollo económico territorial. Respuesta sistémica a los desafíos del empleo. Fortaleza: Gráfica Nacional. Alon, N., Spencer, J. H. (1992). The Probabilistic Method. New York: WileyInterscience. Álvarez, A., Gallegos, J. (2005). Manual introductorio al análisis de redes sociales. Disponible en http://revista-redes.rediris.es/webredes/talleres/Manual_ARS.pdf. Fecha de consulta: Noviembre de 2007. Assimapkopoulus, J. (2003). “The semiconductor community in the silicon Valley: a network analysis of the SEMI genealogy chart (1947-1986)”, International Journal Technology Management, 25 (1-2). Baba, Y., Schichijo, N., Nagahara. Y., Yarime, M. (2005). “The evolution of coinventor networks in advanced material: combining technical change with industrial transformation”, Paper presentado en DRUID Tenth Anniversary Summer Conference 2005: Dynamics of Industry and Innovation: Organization, Network and System. Baker, W. (1992). “The Network Organization in Theory and practice”, en N. Nohria y R. G. Eccles (eds.), Networks and Organizations. Structure, Form, and Action. Harvard: Harvard Business School Press. Barnes, J. (1954). “Class and committeess in a Norwegian Island parish”, Human Relations, 91: 481-510. Baum, J., Calabrese, T. (2000). “Don’t go in alone: alliance network composition and startups`performance in Canadian Biotechnology”, Strategic Management Journal, 21 (3): 267-294. Becattini, G. (1992). “El distrito marshalliano: Una noción socioeconómica”, en G. Benko y A. Lipietz, Las regiones que ganan. Valencia: Edicions Alfons el Magnànim. Berkowitz, S. D. (1982). An introduction to structural analysis. Toronto: Butterworths. Bollabas, B. (2001). Random Graphs. New York: Academic. Boorman, S., White, H. (1976). “Social Structure from Multiple Networks II Role Structures”, American Journal of Sociology, 81. 1384-1446. Bott, E. (1955). “Urban families: conjugal roles and social network”, Human Relations, vol. III: 345-384. (1990), [1957]. Familia y red social. Madrid: Taurus. Borgatti, S., Foster, C. (2003). “The Network Paradigm in Organizational Research: A Review and Topology”, Journal of Management, 29 (6): 991-1013. Brass, J., Burkhardt, M. (1992). Centrality and Power in Organizations”, en N. Nohria y R. G. Eccles (eds.), Networks and Organizations. Structure, Form, and Action. Harvard: Harvard Business School Press. Breschi, S., Lissoni, F., Malerba, F. (2003). “Knowledge networks from patent citations? Methodological issues and preliminary results”, Paper presentado en DRUID Summer Conference 2003: Creating, Sharing and Transferring Knowledge. Brown, J.S., P. Duguid (1991). “Organisational Learning and Communities of Practice: Toward a Unified View of Working, Learning and Innovation”, Organization Science, 2 (1) 35 36 Burt, R. (1992). Structural Holes: The Social Structure of Competition. Cambridge: Harvard University Press. (1997a). “The Contingent Value of Social Capital”, Administrative Science Quarterly, 42: 339-365. (1997b). “A note on social capital and network content”, Social Networks, 19: 355373. (1999). “The Social Capital of Opinion Leaders”, Annals, 56: 37-54. (2000a). “The network structure of social capital”, Research in Organizational Behavior, 22: 345-423. (2000b). “Structural Holes versus Network Closure as Social Capital”, en N. Lin, K. Cook y R. Burt (eds.), Social Capital: Theory and Research. New York: Aldine de Gruyter. (2002). “The Social Capital of Structural Holes”, en M. Guillén, R, Collins, P. England y M. Meyer (eds.), The New Economic Sociology. New York: Russell Sage Foundation. (2004). “Structural Holes and Good ideas”, American Journal of Sociology, 110 (2): 350-399. Camagni, R. (1991). “Local Mileu, Uncertainty and Innovations Networks: Towards a New Dynamics Theory of Economics Space”, en R. Camagni (ed.) Innovation Network: Spatial Perspectives. London: Belhaven Press. Capello, R., A. Faggian (2005). “Collective learning and relational capital in local innovation processes”, Regional Studies, 39 (1): 75-87. Carlsson, B. (1995). “On nature, function and composition of tecnological system”, in B. Carlsson (ed.), Technological System and Economic Performance: The Case of Factory Automation. Dordrecht: Kluwer. Carlsson, B., Stankiewicz, R. (1991). “On nature, function and composition of technological system”, Journal of Evolutionary Economics, 1 (2): 93-118. Cartwright, D., Harary, F. (1956). “Structural balance: A generalization of Heider`s Theory”, Psychological Review, 63: 277-293. (1979). “Balance and Clusterability: An Overview”, in P. Holland and S. Leinhardt (eds.), Perspectives on Social Network Research. New York: Academic Press. Cohendet, P., Heraud, J. y Zuscovitch, E. (2003). “Aprendizaje tecnológico, redes económicas y apropiabilidad de las innovaciones”, en F. Chesnais y J. Neffa (comp.), Sistemas de innovación y política tecnológica. Buenos Aires: Trabajo y Sociedad. Coleman, J. (1998). “Social Capital in the Creation of Social Capital”, American Journal of Sociology, 94: 95-120. (1990). Foundations of Social Theory. Cambridge: Harvard University Press. Coleman, J., Katz, E., Menzel, H. (1957). “The diffusion of an Innovation among Physicans”, Sociometry, 20: 253-270. Cook, K. 1977). “Exchange and Power in Network of Interorganizational Relations”, Sociological Quarterly, 18: 62-82. (1982). “Network Structures from Exchange Perspective”, en P. Marsden y N. Lin (eds.), Social Structure and Network Analysis. California: Sage. (1990). “Linking actors and structures: and exchange network perspective”, en C. Calhoun y M.R. Scott (eds.), Structure of Power and Constraint. Papers in Honor of Peter M. Blau. New York Cambridge University Press. Cook, K., Emerson, R., Gilmore, M., Yamagishi, T. (1983). “The Distribution of Power in Exchange Networks”, American Journal of Sociology, 89: 275-305. 36 37 Cooke, P. (1996). “Regional Innovation Systems: an evolutionary approach”, en H. Baraczyk, P. Cooke y R. Heidenreich (eds.), Regional Innovation Systems. London: University of London Press. Cooke, P., Gomez, M., Etxebarria, G. (1997). “Regional innovation systems: Institutional and organisational dimensions”, Research Policy, 26: 475-491. Corrocher, N., Fontana, R. (2006). “Expectation, Network Effects and Timing of Technology Adoption: Some Empirical Evidence from a Sample of SMEs in Italy”, Paper 150, SPRU Electronic Working Paper. Cowan, R., David, P., Foray, D. (2000). “The explicit of economics of knowledge codification and tacitness”, Industrial and Corporate Change, 9 (2). Cowan, R. Jonard, N., Zimmermann, J. (2005). “Network as emergent structures from bilateral collaboration”, Paper presentado en DRUID Tenth Anniversary Summer Conference 2005: Dynamics of Industry and Innovation: Organization, Network and System. Davis, J. (1967). “Clustering and Structural Balance in Graphs”, Human Relations, 22: 181-187. (1970). “Clustering and Hierarchy in Interpersonal Relations”, Sociological Review, 35: 843-852. DeBresson, C., Amesse, F. (1991). “Networks of Innovators. A review and introduction to the issue”, Research Policy, 20: 113-131. De la Rosa, F., Pozo, S., Casanova, J., Gasca, F. (2004). “Análisis y Visualización de Comunidades Científicas con Información Extraída de la Web”. IX Jornadas de Ingeniería del Software y Bases de Datos. Málaga. Dupuy, C., Gilly, P. (1996). “Collective Learning and Territorial Dynamics: A New Approach to the Relations Between Industrial Group and Territories”, Environment and Planning, 28: 1603-1616. Etzkowitz, H (2002). “The Triple Helix of University - Industry - Government Implications for Policy and Evaluation”, Working paper 2002-11. Science Policy Institute. Erdós, P., Renyi, A. (1959). “On random graphs”, Publicationes Mathematicae, 6: 290297. (1960). “On the revolution of random graphs”, Publications of the Mathematical Institute of the Hungarian Academy of Science, 5: 17-61. (1961). “On the strength and connectedness of a random graph”, Acta Mathematica Scientia Hungary, 12: 261-267. Esser, K., Hillebrand, W., Messner, D., y J. Meyer-Stamer (1996). “Competitividad Sistémica: Nuevo desafío para las empresas y la política, Revista de la CEPAL, 59: 39-70. Fararo, T. (1974). Mathematical Sociology: An Introduction to Fundamentals. New York: Wiley. Festinger, L., Schachter, S. y Back, K. (1950). Social pressure in informal groups. New York: Harper. Frank, O. (1981). “A Survey of Statistical Methods for Graph Analysis”, en S. Leinhardt (ed.), Sociological Methodology. San Francisco: Jossey-Bass. Freeman, L. (1979). “Centrality in Social Networks I. Conceptual Classification”, Social Network, 40: 35-41. Freeman, C. (1991). “Networks of innovators; a synthesis of research issues”, Research Policy, 20. 37 38 (1999). “Innovation systems: city-state, national, continental and sub-national”, en J. E. Cassiolato y H. M. Lastres (eds.), Globalização & Innovação Localizada. Experiências de Sistemas Locais no Mercosul. Brasília D.F.: Instituto Brasileiro de Formação em Ciência e Tecnologia. Gay, B., Dousset, B. (2005). “Innovation and network structural dynamics: Study of the alliance network of a major sector of the biotechnology industry”, Research Policy, 34: 1457-1475. Gereffi, G. (1994). “The Organization of Buyer-Driven Commodity Chains: How US Retailers Shape Overseas Production Networks”, in G. Gereffi y M. Korzeniewicz (eds.), Commodity Chains and Global Capitalism. Conneicut, London: Praeger. Gerlach, M., Lincoln, J. (1992). “The Organization of Business Network in the United States and Japan”, en N. Nohria y R. G. Eccles (eds.), Networks and Organizations. Structure, Form, and Action. Harvard: Harvard Business School Press. Giuliani, E. (2002). “Cluster absorptive capability: an evolutionary approach for industrial cluster in developing countries”. Paper presented at the DRIUD Summer Conference on “Industrial Dynamics of the New and Old Economy –who is embracing whom?” (2003a). “How cluster learn: Evidence from a Chilean Cluster Wine”, Paper presentado en EADI Workshop. Cluster and Global Value Chains in the North and the Third World. (2003b). “Knowledge in the Air and its Uneven Distribution: A story of a Chilean Wine Cluster”, Paper presentado en the DRUID Winter Conference 2003. (2004). “Laggard cluster as slow learners, emerging cluster as locus of knowledge cohesion (and exclusion): a comparative study in the wine industry”, Working Paper Series, 2004/9. Laboratory of Economics and Management. Sant’Anna School of Advanced Studies. (2005). “The Structure of Cluster Knowledge Networks: Uneven and Selective, not Pervasive and Collective”, DRUID Working Paper, Nº 05-11. (2006a). “Networks and heterogeneous performance on cluster firms”. Papers in Evolutionary Economic Geography, Urban & Regional research centre Utrecht. Utrecht University. (2006b). “Do you neighbours matters? A study on the innovative performance of firms in wine clusters.” Paper presentado en the DRUID Summer Conference on knowledge, Innovation and Competitiveness: Dynamics of firms, networks, regions and institutions. (2007). “The selective nature of knowledge networks in clusters: evidence from the wine industry”, Journal of Economic Geography, 7 (2):139-168. Giuliani, E., M. Bell (2004). When micro shapes the meso: Learning networks in a Chilean wine cluster. Paper Nº 115, SPRU Electronic Working Paper Series. Gordon, I., P. MacCan (2000). Industrial Cluster: Complexes, Agglomeration and/or Social Network?, Urban Studies, 37 (3): 513-532 Göske, J. (2000). “Desarrollo Territorial: Hacia un Enfoque Sistémico e Integrador”, en J. Göske (ed.), La dimensión local del desarrollo: enfoque territorial, tejido productivo local, concertación de actores y aprendizaje para la acción. Santiago de Chile: Fundación Friedrich Ebert Stiftung. Granovetter, M. (1973). “The Strength of Weak Ties”, American Journal of Sociology, 81: 1287-1303. (1974). Getting a Job: A Study of Contacts and Careers. Cambridge: Harvard University Press. 38 39 (1982). “The Strength of Weak Ties. A Network Analysis Revisited”, en P. V. Marsden y N. Lin (eds.), Social Structure and Network Analysis. Baverly Hills: SAGE. (1985). “Economic action and social structure: the problem of embeddedness”, American Journal of Sociology, 91: 481-510. (2005). “The Impact of Social Structure on Economic Outcomes”, Journal of Economic Perspectives, 19 (1): 33-50. Hanneman, R. (2001). Introducción a los métodos del análisis de redes sociales. Versión electrónica disponible en http://seneca.uab.es/antropología/redes/redes.htm Heider, F. (1944). “Social perception and phenomenal causality”, Psychological Review, 51: 358-374. (1946). “Attitudes and cognitive organization”, Journal of Psychology, 21: 107112. Harary, F., Norman, R. (1963). Graph Theory as a Mathematical Model in Social Science. Michigan: University of Michigan - Ann Arbor. Harary, F. Norman, R., Cartwright, D, (1965). Structural Models. New York: Wiley. Herreros, F. (2002). ¿Por qué confiar? El Problema de la creación de capital social, Madrid: Centro de Estudios Avanzados en Ciencias Sociales. Instituto Juan March de Estudios e Investigaciones. Holland, P., Leinhardt, S. (1977). “Transitivity in Structural Models of Small Groups”, in S. Leinhardt (ed.), Social Networks: A Developing Paradigm. New York: Academic Press. Homans, G. (1963). El grupo Humano. Buenos Aires. Eudeba. The Human Group [1950]. (1979). Perspectives on Social Network Research. New York: Academic Press. Johnson, B. (1992). “Institutional Learning”, en Lundvall, B. (ed.), National System of Innovation. Towards Theory of Innovation and Interactive Learning. London: Pinter Kaatz, M.S. (1998). Learning by association? Interorganizational network and adoption to environmental change”, Academic of Management Journal, 41(6): 621-643. Kanter, R., Eccles, R. (1992). “Conclusion: Making Research Relevant to Practice”, en N. Nohria y R. G. Eccles (eds.), Networks and Organizations. Structure, Form, and Action. Harvard: Harvard Business School Press. Kauffman, S. (2003). Investigaciones. Complejidad, autoorganización y nuevas leyes para una biología general. Barcelona: Tusquets. Kilduff, M., Tsai, W. (2003). Social Networks and Organizations. California: Sage. Kogut, B., Swan, W., Walker, G. (1993). “Knowledge in the Network and the Network as Knowledge: The Structure of the New Industries”, en G. Grabher (ed.) The Embedded Firm: On the Socioeconomics of Industrial Networks. London: Routledge. Köhler, W. (1940). Dynamics in psychology. New York: Liverigth. Krackhardt, D. (1992). “The Strength of Strong Ties: The Importance of Philos in Organizations”, en N. Nohria y R. G. Eccles (eds.), Networks and Organizations. Structure, Form, and Action. Harvard: Harvard Business School Press. Lawson, C., Lorenz, E. (1999). “Collective learning, tacit knowledge and regional innovative capacity”, Regional Studies, 33 (4): 305-317. Lewin, K. (1936). Principles of Topological Psychology. New York: McGraw Hill. (1951). Field Theory in the Social Sciences. New York: Harper. Lin, N. (1999). “Building a Network Theory of Social Capital”, Connections, 22 (1): 28-51. 39 40 (2001a). Social capital. A Theory of Social Structure and action. Cambridge: Cambridge University Press. (2001b). “Building a Network Theory of Social Capital”, en N. Lin, K. Cook y R. Burt (eds.), Social Capital.Theory and Research. New York: Aldine de Gruyter. Lundvall, B. (1992). National System of Innovation. Towards Theory of Innovation and Interactive Learning. London: Pinter. Martínez, C. (2004). “La capacidad innovadora de las redes de desarrollo regional: el valor añadido de la colaboración, la competitividad y la difusión de conocimiento”, Información Comercial Española, 812: 55-69 MacCann, P., Arita. T., Gordon, I. (2002). “Industrial Cluster, transactions cost and the institutional determinants of MNE location behaviour”, International Business Review, 11: 647-663. Marsden, P. (1990). “Network Data and Measurement”, Annual Review of Sociology, 16: 435-463. Mayo, E. (1933). Human Problem of an Industrial Civilization. Boston: Harvard University Press. MacCann, P., Arita, T., Gordon, I. (2002). “Industrial Cluster, transactions cost and the institutional determinants of MNE location behaviour”, International Business Review, 11: 647-663. Mitchell, J.C. (1969). “The Concept and Use of Social Network”, in J. C. Mitchell (ed.), Social Network in Urban Situations. Manchester: Manchester University Press. (1973). “Networks, Norms and Institutions”, in J. Boissevain and J. C. Mitchell (eds.) Network Analysis. The Hague. Mouton. (1974). “Social Network”, Annual Review of Anthropology, 3: 279-299. Molina, J. L. (2001). El análisis de redes sociales. Una introducción. Barcelona: Edicions Bellaterra. Molina, J., Muñoz, J., Domenech, M. (2002). “Redes de publicaciones científicas: un análisis de la estructura de coautorías. Redes. Revista hispana para el análisis de redes, 1 (3). http://revista-redes.rediris.es Montero, C., P. Morris (1999). “Territorio, competitividad sistémica y desarrollo endógeno. Metodología para el estudio de los Sistemas Regionales de Innovación”, en Universidad del Bío-Bío (CEUR)-ILPES, Instituciones y actores del desarrollo territorial en el marco de la globalización. Talcahuano: Ediciones Universidad del Bío-Bío. Moreno, J. (1934). Who shall survive? Nueva York: Beacon Press. Morrison, A., R. Rabelloti (1995). “Knowledge dissemination and informal contacts in an Italian wine local system”. Paper presentado en Summer Conference Dynamics of Industry and Innovation: Organization, Network and System. Copenhagen, 27Junio 2005. Nee, V. (1998). “Norms and Network in Economics and Organizational Performance”, American Economic Review, 88 (2): 85 - 89. Nelson, R. (1993). National Innovation System: a comparative analysis. Oxford: Oxford University Press. Nesta, L., Mangematin, V. (2004). “The Dynamic of Innovation Network”, SPRU Electronic Working Papers Series, Nº 114. Noria, N. (1992). “Introduction: Is a Network Perspective a Useful Way of Studying Organizations?”, en N. Nohria y R. G. Eccles (eds.), Networks and Organizations. Structure, Form, and Action. Harvard: Harvard Business School Press. Oliver, A. (1994). “In Between Markets and Hierarchies - Networking Through the Life Cycle of New Biotechnology Firms”, Biotechnology Studies, Volume 6, paper 6. 40 41 Olmeda, C., Perianes, A., Ovalle, A. (2007) “Mapas de información científica: redes de cocitación de clases y categorías en la producción científica de los investigadores en Medicina de la Comunidad de Madrid (1995-2003), en Proceedings XXVII International Sunbelt Social Network Conference. V Mesa Hispana de Análisis de Redes Sociales, CORFU, Grecia. Owen-Smith, J., Powell, W. (2004). “Knowledge Networks as Channels and Conduits: The Effects of Spillovers in the Boston Biotechnology Community”, Organization Science, 15 (1): 5-21. Pilon, S., DeBresson, C. (2003). “Local Culture and Regional Innovation Network: Some Propositions”, en D. Fornhal y T. Brenner (eds.), Cooperation, Network and Intitutions in Regional Innovation Systems. Cheltenham: Edward Elgar. Polanyi, K. (1944). The Great Transformation. New York: Holt Rinehart. Porras, J.I., Hardy, T. (2005). “Cooperar para aprender. La cooperación en redes sociales desde el enfoque de la teoría de la elección racional”, en J.I. Porras y V. Espinoza (eds.), Redes. Enfoques y aplicaciones del Análisis de Redes Sociales (ARS). Santiago de Chile: Editorial Universidad Bolivariana. Porter, M. (1990). The Competitive Advantage of Nations. London: McMillan. Porter, M., Fuller, M. (1986). “Coalitions and global strategy”, en M. Porter (ed.), Competition in Global Industries. Boston: Harvard Business Press. Portes, A., Sensenbrenner, J. (1993). “Embeddedness and Immigration: Notes on the Social Determinants of Economic Action”. American Journal of Sociology, 98 (6): 1320-1350. Powell, W. (1990). “Neither Market nor Hierarchy: Networks Forms of Organization”, Research in Organizational Behavior, 12: 295-336. Radcliffe-Brown, A. (1940). “On Social Structure”, Journal of the Royal Anthropological Society of Great Britain an Ireland, 70: 1-12. Rapoport, A. (1979). “A Probabilistic Approach o Networks”, Social Networks, 2: 1-18. Requena, F. (2003). “Orígenes sociales de las redes sociales”, en F. Requena (comp.) Análisis de redes sociales. Orígenes, teoría y aplicaciones. Madrid: Centro de Investigaciones Sociológicas (CIS) - Siglo XXI de España Editores. Rodríguez, J. (2005). Análisis estructural y de redes. Madrid: Centro de Investigaciones Sociológicas. Rogers, E., Kincaid, D. (1981). Comunication Networks: Toward a New Paradigm for Research. New York: Free Press. Sanz, L. (2001). “Indicadores relaciones y redes sociales en el estudio de los efectos de las políticas de ciencia y tecnología”, Documento 1-09, Unidad de Políticas Comparadas, CSIC. (2003). Análisis de Redes Sociales: o cómo representar estructuras subyacentes. Apuntes de Ciencia y Tecnología, 7: 21 - 29. Sanz, L. Fernández, J. García, C. (1999). “Centralidad y colaboración en las redes de colaboración empresarial en la I+D subsidiada”, Papeles de Economía, 81: 219-241. Saxexian, A. (1991). “The Origins and Dynamics of Production Networks in Silicon Valley”, Research Policy, 20: 423-437. Sengenberger, W. y Pyke, F. (1991). “Los distritos industriales y la regeneración de la economía local: Temas de investigación y actuación”, en F. Pyke y Sengenbergen (eds.), Distritos industriales y regeneración económica local. Madrid: Ministerio de Trabajo y Seguridad Social. Schmitz, H. (1995). “Collective efficiency: growth path for small-scale industry”, Journal of Development Studies, 31 (4): 529-566. 41 42 Schrader, S. (1991). “Informal technological transfer between firms: cooperation through information trading”, Research Policy, 20: 153 -170. Scott, J. (2000). Social Network Analysis. A handbook. London: Sage. Simmel, G. (1950). The Sociology of George Simmel. New York: Free Press. Smitka, M. (1991). Competitive Ties: Subcontracting in the Japanese Automotive Industry. Nueva York: Columbia University Press. Soh, P., Roberts, E. (2003). “Networks of innovators: a longitudinal perspective”, Research Policy, 32: 1569-1588. Tsai, W.P. (2001). “Knowledge Transfer in Intraorganizational Networks: Effects of Networks Positions and Absortive Capacity of Business Unit Innovation and Performance”, Academy of Management Journal, 44: 996-1004. Uzzi, B. (1996). “The Sources and Consequences of Embeddedness for the Economic Performance of Organizations: The Network Effect”, American Journal of Sociology, 61: 674-698. (1997). “Social structure and competition in interfirm network: the paradox of embeddedness”, Administrative Science Quarterly, 42: 35-67. Verd, J.M., Martí, J. (1999). “Muestreo y recogida de datos relacionales em el análisis de redes sociales”, Qüestiió, 23 (3): 507-524. Wagner, C., Leydesdordff, L. (2005). “Network Structure, self-organization, and the growth of international collaboration in science”, Research Policy, 34: 1608-1618. Wasserman, S., Faust, K. (1994). Social Network Analysis. Methods and Applications. Cambridge: Cambridge University Press. Watts, D. (2006). Seis grados de separación. La Ciencia de las redes en la era del acceso. Barcelona: Paidós. Weber, M. (1944). Economía y Sociedad. Esbozo de sociología comprensiva. México D.F: Fondo de Cultura Económica. Wellman, B. (1988). “Structural analysis: from method and metaphor to theory and substance”, en B. Wellman y S.D. Berkowitz (eds.), Social Structures. A Network Approach. Cambridge: Cambridge University Press. Wenger, E. (1998). Communities of practice: Learning, meaning, and identity. Cambridge: Cambridge University Press. Williamson, O. (1975). Markets and Hierarchies. Analysis and Antitrust Implications. New York: The Free Press. White, H. (1963). An Anatomy of Kinship: Mathematical models for structures of cumulated roles. Englewood: Prentice-Hall. (1965), “Notes on the Constituents of Social Structure”, Cambridge: Departament of Social Relations, Harvard University. (1966), “Coupling and Decoupling”, Cambridge: Departament of Social Relations, Harvard University. (1970). Chains of opportunity: system models of mobility in organizations. Cambridge: Harvard University Press. (1981). “Where do markets come from”?, American Journal of Sociology, 87: 517547. (1992a). Identity and Control. A Structural Theory of Social Action. Princeton: Princeton University Press. (1992b). “Agency as Control in Formal Network”, en N. Nohria y R. G. Eccles (eds.), Networks and Organizations. Structure, Form, and Action. Harvard: Harvard Business School Press. (1993). “Markets in Production Networks”, en R. Swedberg (ed.), Explorations in Economic Sociology. New York: Russell Sage Foundations. 42 43 Wolfe, A. W. (1978). “The Rise of Network Thinking in Anthropology”, Social Networks, 1: 53-64. 43