United we stand, divided we fall : essays on knowledge and its diffusion in innovation networks

Knowledge is a key resource, allowing firms to innovate and keep pace with national and international competitors. Therefore, the management of this resource within firms and innovation networks is of utmost importance. As the collection and generation of (new) knowledge gives such competitive advantage, there is a strong interest of firms and policy makers on how to foster the creation and diffusion of new knowledge. Within four studies, this doctoral thesis aims at extending the literature on knowledge diffusion performance by focussing on the effect of different network structures on diffusion performance as well as on knowledge types besides mere techno-economic knowledge. Study 1 analyses the effect of different structural disparities on knowledge diffusion by using an agent-based simulation model. It focuses on how different network structures influence knowledge diffusion performance. This study especially emphasizes the effect of an asymmetric degree distribution on knowledge diffusion performance. Study 1 complements previous research on knowledge diffusion by showing that (i) besides or even instead of the average path length and the average clustering coefficient, the (symmetry of) degree distribution influences knowledge diffusion. In addition, (ii) especially small, inadequately embedded agents seem to be a bottleneck for knowledge diffusion in this setting, and iii) the identified rather negative network structures on the macro level seem to result from the myopic linking strategies of the actors at the micro level, indicating a trade-off between ‘optimal’ structures at the network and at the actor level. Study 2 uses an agent-based simulation model to analyse the effect of different network properties on knowledge diffusion performance. In contrast to study 1, this study analyses this relationship in a setting in which knowledge is diffusing freely throughout an empirical formal R&D network as well as through four benchmark networks. In addition, the
Wissen ist eine Schlüsselressource. Daher ist die Verwaltung dieser Ressource in Unternehmen und Innovationsnetzwerken von größter Bedeutung. Da das Sammeln und Generieren von (neuem) Wissen einen derartigen Wettbewerbsvorteil bietet, besteht ein starkes Interesse seitens Unternehmen und politischen Entscheidungsträgern, die Schaffung und Verbreitung von neuem Wissen zu fördern. Im Rahmen dieser Doktorarbeit soll in vier Studien die Literatur zu Wissensdiffusion erweitert werden, indem die Auswirkungen verschiedener Netzwerkstrukturen sowie die verschiedener Wissensarten in den Mittelpunkt gestellt werden. Studie 1 analysiert die Auswirkungen struktureller Unterschiede auf die Wissensdiffusion unter Verwendung eines agentenbasierten Simulationsmodells. Der Fokus liegt hierbei darauf, wie verschiedene Netzwerkstrukturen die Leistung der Wissensverbreitung beeinflussen. Diese Studie betont insbesondere den Effekt einer asymmetrischen Gradverteilung auf die Wissensdiffusionsleistung. Studie 1 ergänzt bisherige Arbeiten zu Wissensdiffusion, indem sie zeigt, dass (i) neben oder sogar anstelle der durchschnittlichen Pfadlänge und des durchschnittlichen Clustering-Koeffizienten die (Symmetrie der) Gradverteilung die Wissensdiffusion stark beeinflusst. Außerdem scheinen (ii) besonders kleine, unzureichend eingebettete Akteure ein Engpass für die Wissensverbreitung in diesem Umfeld zu sein. Studie 2 verwendet ein agentenbasiertes Simulationsmodell, um die Auswirkungen verschiedener Netzwerkeigenschaften auf die Leistung der Wissensdiffusion zu analysieren. Im Gegensatz zu Studie 1 analysiert diese Studie die freie Verbreitung von Wissen in einem empirischen, formalen FuE-Netzwerk sowie in vier Benchmark-Netzwerken. Darüber hinaus werden das Konzept der kognitiven Distanz und Unterschiede beim Lernen zwischen Agenten im Netzwerk berücksichtigt. Studie 2 ergänzt Studie 1 und weitere Forschung, indem sie zeigt, dass (i) die (Asymmetrie) der Gradverteilung und die Verteilung der