La disyuntiva diversidad-innovación en ciencias

La paradoja de la diversidad-innovación en la ciencia

Bas Hofstra, Vivek V. Kulkarni, Sebastián Muñóz-Najar Gálvez, Bryan He, Dan Jurafsky y Daniel A. McFarland


Haga clic aquí para el estudio.
Haga clic aquí para la preimpresión
Haga clic aquí para el código

Resumen

La diversidad genera innovación y se argumenta que la innovación facilita las carreras. Sin embargo, los grupos subrepresentados que diversifican las organizaciones tienen carreras menos exitosas dentro de ellos. Nos propusimos identificar la paradoja de la diversidad-innovación en la ciencia y explicar por qué surge. Al analizar los datos de casi todos los beneficiarios de doctorados de EE. UU. y sus disertaciones a lo largo de tres décadas, descubrimos que los estudiantes con baja representación demográfica innovan a tasas más altas que los estudiantes de la mayoría, pero sus contribuciones novedosas tienen un descuento y es menos probable que obtengan puestos académicos. El descuento de las innovaciones de las minorías puede explicar en parte su poca representación en posiciones influyentes de la academia.

¿Qué son las innovaciones científicas?

Las innovaciones son nuevas combinaciones de terminología científica. A continuación se presentan estudiosos seleccionados a mano importantes para sus campos académicos y sus innovaciones. Observamos, por ejemplo, que Lilian Bruch fue el primer receptor de doctorado en escribir sobre el vínculo (ahora dado por sentado) entre el VIH y los primates no humanos en las tesis doctorales de los Estados Unidos. Otros eruditos luego adoptaron esa idea.

¿Quien innova?

Descubrimos que las mujeres, no blancas, y aquellas que son académicas con baja representación racial o de género en su campo, innovan a tasas más altas que los académicos de hombres, blancos y mayoritarios.

¿Quién cosecha los beneficios de innovar?

La tasa de innovación se corresponde positivamente con carreras académicas exitosas. Sin embargo, el "beneficio de la innovación" para las carreras académicas es menor para los grupos de género y racialmente subrepresentados. A niveles bajos de innovación, las posibilidades de carreras académicas son similares en todos los grupos, pero a niveles más altos de innovación, las carreras científicas de los grupos subrepresentados avanzan menos que las de los grupos mayoritarios (ver figura a la derecha). Para dar una idea de la magnitud de la devaluación: dos desviaciones estándar del nivel mediático de la innovación impactante, la diferencia relativa en convertirse en facultad de investigación entre los académicos subrepresentados por género en comparación con los académicos sobrerrepresentados por género aumenta a aproximadamente un 15%.

¿De quién son las innovaciones utilizadas?

Las innovaciones académicas de mujeres, no blancas y de género y racialmente subrepresentadas se utilizan a tasas ligeramente más bajas. Entonces, las personas que diversifican las organizaciones innovan y tienen nuevas ideas, pero sus innovaciones e ideas se devalúan. Esta devaluación se explica en parte por los géneros subrepresentados en los campos que innovan al unir ideas más distales en formas menos obvias.

Redes, enfermedades y la difusión de innovaciones para el crecimiento económico

Crecimiento, enfermedad y el toque personal.

Las conexiones sociales conducen a un mayor crecimiento económico a través de la difusión de la tecnología. Pero las redes también propagan patógenos, con efecto contrario.

Douglas Clement | Federal Reserve Bank of Minneapolis

"La difusión de una innovación se convierte en un proceso formalmente similar a la propagación de una enfermedad infecciosa".
Premio Nobel Kenneth Arrow

Si no hemos aprendido nada más de las redes sociales, es que las redes transmiten el bien y el mal. Las redes sociales desempeñan un papel similarmente ambivalente en la economía. Al difundir ideas y tecnología, las redes ayudan a transformar las economías de subsistencia a prosperidad. Pero las conexiones sociales también propagan enfermedades, desde el resfriado común hasta el ébola endémico.

Las interacciones de la enfermedad, el ingreso, la innovación y las redes son multidireccionales. La tecnología puede proteger y curar con mejores medicamentos y dispositivos médicos. La enfermedad generalizada reduce el crecimiento económico al perjudicar la productividad. Las redes están conformadas por la tecnología y la enfermedad. Crecen a través de nuevos métodos de transporte y comunicación. Pero para sobrevivir al contagio, las sociedades pueden restringir las redes para reducir la transmisión de enfermedades; la cuarentena es un claro ejemplo.

Comprender cómo las redes afectan el progreso tecnológico y el crecimiento económico es, por lo tanto, un intrincado rompecabezas, acosado por los desafíos de la causalidad inversa. Pero "Germs, Social Networks, and Growth", un informe reciente del personal (SR572) de Alessandra Fogli, directora asistente de investigación de desigualdad y asesora monetaria de la Fed de Minneapolis, y Laura Veldkamp de la Universidad de Columbia ofrece una solución elegante: desenmarañamiento de enfermedades, desarrollo , y datos demográficos y proporciona un modelo analítico que cuantifica el efecto de las redes en el ingreso nacional, pero también explica por qué las sociedades adoptan estructuras que inhiben el crecimiento.

Al difundir ideas y tecnología, las redes ayudan a transformar las economías de subsistencia a prosperidad. Pero las conexiones sociales también propagan enfermedades, desde resfriados hasta ébola.

Su modelo muestra que las pequeñas diferencias iniciales en el entorno epidemiológico de una nación (tasas de enfermedad o capacidad de contagio) pueden dar lugar a grandes y persistentes diferencias en la estructura de la red que, a su vez, generan niveles muy diferentes de difusión tecnológica y de producción económica. Cambiar la red social de una nación puede aumentar su productividad y crecimiento hasta en un 100 por ciento, según sus estimaciones. Pero si se hace en un entorno de alta enfermedad, el crecimiento se verá afectado por una propagación paralela de la enfermedad.

"En general, las redes sociales han evolucionado para adaptarse a su entorno económico y epidemiológico", escriben Fogli y Veldkamp. "Tratar de cambiar las redes en un país para imitar a las de un país con ingresos más altos puede ser contraproducente".

Un modelo evolutivo

El núcleo de su investigación es un modelo de difusión de red, un marco que les permite medir el efecto de las redes en el crecimiento. Las redes sociales tienen innumerables dimensiones; los economistas se centran en aquellos que son medibles y que median la difusión de la tecnología, pero también responden a la enfermedad. En este modelo, las redes gobiernan la propagación de enfermedades y tecnologías, pero, inversamente, las enfermedades y las tecnologías influyen en la evolución de las redes.

Las variables explicativas clave del modelo, entonces, son la prevalencia de la enfermedad, la adopción de tecnología y la difusión en red. Los datos nacionales para la prevalencia de enfermedades transmisibles son relativamente fáciles de obtener. Medidas de adopción de tecnología también están disponibles. Una métrica para redes sociales es más problemática. Los economistas desarrollan un índice a partir de tres elementos: movilidad, cantidad de vínculos sociales en ubicaciones a distancia; grado, número de conexiones personales cercanas; e individualismo / colectivismo, el nivel de agrupación de una sociedad. ¿Las conexiones personales son compartidas o independientes? ¿Los amigos tienden a tener un amigo mutuo?

Reuniendo datos sobre estas variables para 71 países y calibrando el modelo, Fogli y Veldkamp miden la relación entre la difusión de la red y el ingreso nacional. Encuentran, como se esperaba, una correlación muy alta. "Las fuerzas del modelo pueden explicar conjuntamente las grandes diferencias en los ingresos entre los países", escriben.

Un "experimento político"

Pero la estrecha correlación entre la difusión y el ingreso podría deberse a otros factores, en particular, el impacto de la enfermedad en ambos. Para aislar el papel causal de la difusión de la red, los economistas intentan, en esencia, un experimento político: mantener constante el entorno de la enfermedad, variar el nivel de difusión de la red y ver qué sucede con el crecimiento económico. (Todos los experimentos incluyen dos efectos de retroalimentación: sobre la innovación a medida que aumentan las tasas de infección y sobre la probabilidad de infección a medida que mejora la tecnología).

Su punto de referencia es Estados Unidos, que tiene una prevalencia de enfermedades muy baja (0.05 por ciento para las enfermedades transmisibles). En este entorno, encuentran, las redes de alta difusión tienen un impacto fuertemente positivo en el crecimiento económico. Duplicar el número de individuos altamente móviles o conectados eleva sustancialmente las tasas de crecimiento.

Cambiar la red social de una nación puede aumentar su productividad hasta en un 100 por ciento. Pero en un entorno de alta enfermedad, el crecimiento se verá afectado por una propagación paralela de la enfermedad.

Pero en un entorno de alta enfermedad (utilizando la prevalencia del 18 por ciento de Ghana), la alteración de la red social para facilitar una difusión más rápida reduce el ingreso nacional. Duplicar el número de individuos altamente conectados causa que la producción caiga en un 90 por ciento.

"La conclusión es que la forma en que las redes afectan el crecimiento económico depende del entorno de la enfermedad", escriben los economistas. Las redes de alta difusión propagan patógenos y empobrecen a las naciones en las que prevalece la enfermedad. En las naciones con baja enfermedad, las redes difusas tienen menos patógenos para propagarse. Las ideas se vuelven virales, no gérmenes. “Las mismas redes que empobrecen a los países pobres pueden facilitar el crecimiento de los ricos donde las epidemias son raras. Para prosperar, cada país necesita una red social que esté bien adaptada a su entorno ".

Orígenes de la red

La consulta principal de Fogli y Veldkamp es, según lo expresan, "sobre el efecto, no el origen, de las redes". Pero comprender cómo las redes emergen y evolucionan en respuesta a la enfermedad es clave para apreciar por qué la modificación de las redes puede ser peligrosa. En un ejercicio separado, los economistas, por lo tanto, realizan simulaciones por períodos múltiples de dos economías idénticas que varían solo en sus tasas iniciales de prevalencia de la enfermedad.

En entornos de baja enfermedad, las simulaciones generan redes de alta difusión porque los individuos conectados, independientes y móviles prosperan. Están expuestos a más ideas nuevas y disfrutan de mayores ingresos y mayores tasas de reproducción. "En entornos de baja enfermedad, las características de la red de alta difusión prosperan".

“Las redes que empobrecen a los países pobres pueden facilitar el crecimiento de los ricos donde las epidemias son raras. Para prosperar, cada país necesita una red social ... adaptada a su entorno ".

Pero en entornos de alta enfermedad, ocurre lo contrario: las personas con más amigos, mayor movilidad y mayor independencia se enferman rápidamente. "También pueden obtener nuevas ideas", observa Fogli y Veldkamp. Pero si están enfermos, son "improductivos, independientemente de [su] tecnología. Uno tiene que estar vivo y bien ser productivo ".

Entonces, nuevamente, cuando la enfermedad es común, alterar las redes puede ser una mala idea: “Cambiar la red sin cambiar el entorno de la enfermedad puede ser desastroso. Una red de alta difusión, en un lugar donde prevalecen las enfermedades, es una receta para las epidemias y las crisis humanitarias ".

Confirmación desde un segundo método.

Los economistas evalúan los hallazgos de su modelo mediante el uso de un segundo método, una técnica llamada "estimación de variables instrumentales". Emplea análisis de regresión con variables relacionadas con redes, enfermedades, tecnología y crecimiento, pero que no sufren la causalidad inversa inherente a su modelo. Con datos sobre nueve enfermedades transmisibles en 160 países, miden la diferencia en la prevalencia de las enfermedades transmitidas por los seres humanos y las transmitidas por los animales. Estas enfermedades tienen un impacto similar en la difusión de la tecnología, pero difieren en relación con las redes sociales, por lo que la causalidad inversa no es un problema.

Los hallazgos son tranquilizadores. Los resultados del conjunto completo de países muestran que el aumento del nivel de difusión de la red aumenta considerablemente la productividad de los trabajadores y el PIB per cápita. Pero dividir la muestra entre países con enfermedad alta y países con enfermedad baja "sugiere un mensaje más sutil que refleja los resultados del modelo", observan Fogli y Veldkamp. Como su método principal indica, los efectos de red difieren. "El efecto positivo de las redes sociales solo aparece en los países con baja prevalencia de enfermedad". Por lo tanto, las políticas para implementar redes sociales de alta difusión serían poco recomendables en los países donde las enfermedades contagiosas son comunes.

Innovación y redes en un modelo probabilístico complejo

El modelo matemático revela los patrones de cómo surgen las innovaciones

El trabajo podría conducir a un nuevo enfoque para el estudio de lo que es posible, y cómo se sigue de lo que ya existe.
por Emerging Technology from the arXiv

La innovación es una de las fuerzas impulsoras en nuestro mundo. La creación constante de nuevas ideas y su transformación en tecnologías y productos constituye una piedra angular poderosa para la sociedad del siglo XXI. De hecho, muchas universidades e institutos, junto con regiones como Silicon Valley, cultivan este proceso.

Y sin embargo, el proceso de innovación es algo así como un misterio. Una amplia gama de investigadores lo han estudiado, desde economistas y antropólogos hasta biólogos e ingenieros evolutivos. Su objetivo es comprender cómo ocurre la innovación y los factores que la impulsan para que puedan optimizar las condiciones para la innovación futura.

Sin embargo, este enfoque ha tenido un éxito limitado. La velocidad a la que las innovaciones aparecen y desaparecen se ha medido cuidadosamente. Sigue un conjunto de patrones bien caracterizados que los científicos observan en muchas circunstancias diferentes. Y, sin embargo, nadie ha sido capaz de explicar cómo surge este patrón o por qué rige la innovación.

Hoy, todo eso cambia gracias al trabajo de Vittorio Loreto en la Universidad Sapienza de Roma en Italia y algunos amigos que han creado el primer modelo matemático que reproduce fielmente los patrones que siguen las innovaciones. El trabajo abre el camino a un nuevo enfoque para el estudio de la innovación, de lo que es posible y cómo esto se sigue de lo que ya existe.

La noción de que la innovación surge de la interacción entre lo real y lo posible fue formalizada por primera vez por el teórico de la complejidad Stuart Kauffmann. En 2002, Kauffmann introdujo la idea del "posible adyacente" como una forma de pensar sobre la evolución biológica.

Lo adyacente posible es todas esas cosas (ideas, palabras, canciones, moléculas, genomas, tecnologías, etc.) que están a un paso de lo que realmente existe. Conecta la realización real de un fenómeno particular y el espacio de posibilidades inexploradas.

Adyacente posible

Pero esta idea es difícil de modelar por una razón importante. El espacio de posibilidades inexploradas incluye todo tipo de cosas que son fáciles de imaginar y esperar, pero también incluye cosas que son completamente inesperadas y difíciles de imaginar. Y mientras que el primero es difícil de modelar, este último ha parecido casi imposible.

Además, cada innovación cambia el panorama de las posibilidades futuras. Entonces, en cada instante, el espacio de posibilidades inexploradas -la posible adyacente- está cambiando.

"Aunque el poder creativo de los posibles adyacentes es ampliamente apreciado a un nivel anecdótico, su importancia en la literatura científica es, en nuestra opinión, subestimada", dicen Loreto y compañía.

Sin embargo, incluso con toda esta complejidad, la innovación parece seguir patrones predecibles y fáciles de medir que se han conocido como "leyes" debido a su ubicuidad. Una de ellas es la ley de Heaps, que establece que el número de cosas nuevas aumenta a una velocidad sublineal. En otras palabras, se rige por una ley de poder de la forma V (n) = knβ donde β está entre 0 y 1.

Las palabras a menudo se consideran como un tipo de innovación, y el lenguaje está en constante evolución a medida que aparecen nuevas palabras y las antiguas desaparecen.

Esta evolución sigue la ley de Heaps. Dado un corpus de palabras de tamaño n, el número de palabras distintas V (n) es proporcional a n elevado a la potencia β. En colecciones de palabras reales, β resulta estar entre 0.4 y 0.6.

Otro patrón estadístico bien conocido en innovación es la ley de Zipf, que describe cómo la frecuencia de una innovación se relaciona con su popularidad. Por ejemplo, en un corpus de palabras, la palabra más frecuente ocurre dos veces más que la segunda palabra más frecuente, tres veces más frecuente que la tercera palabra más frecuente, y así sucesivamente. En inglés, la palabra más frecuente es "the", que representa aproximadamente el 7 por ciento de todas las palabras, seguida de "of", que representa aproximadamente el 3,5 por ciento de todas las palabras, seguido de "and", y así sucesivamente.

Esta distribución de frecuencia es la ley de Zipf y surge en una amplia gama de circunstancias, como la forma en que las ediciones aparecen en Wikipedia, cómo escuchamos nuevas canciones en línea, y así sucesivamente.

Estos patrones son leyes empíricas; los conocemos porque podemos medirlos. Pero no está claro por qué los patrones toman esta forma. Y mientras que los matemáticos pueden modelar la innovación simplemente conectando los números observados en ecuaciones, preferirían tener un modelo que produzca estos números a partir de los primeros principios.

Volvemos a Loreto y sus amigos (uno de los cuales es el matemático de la Universidad de Cornell Steve Strogatz). Estos chicos crean un modelo que explica estos patrones por primera vez.

Comienzan con una conocida caja de arena matemática llamada la urna de Polya. Comienza con una urna llena de bolas de diferentes colores. Se retira una bola al azar, se inspecciona y se coloca de nuevo en la urna con varias otras bolas del mismo color, lo que aumenta la probabilidad de que este color se seleccione en el futuro.

Este es un modelo que utilizan los matemáticos para explorar los efectos enriquecedores y la aparición de leyes de potencia. Por lo tanto, es un buen punto de partida para un modelo de innovación. Sin embargo, no produce naturalmente el crecimiento sublineal que predice la ley de Heaps.

Esto se debe a que el modelo Polya urna permite todas las consecuencias esperadas de la innovación (de descubrir un cierto color) pero no tiene en cuenta todas las consecuencias inesperadas de cómo una innovación influye en lo adyacente posible.

Así que Loreto, Strogatz y colegas han modificado el modelo de urna de Polya para dar cuenta de la posibilidad de que descubrir un nuevo color en la urna pueda desencadenar consecuencias completamente inesperadas. Ellos llaman a este modelo "la urna de Polya con desencadenamiento de la innovación".

El ejercicio comienza con una urna llena de bolas de colores. Se retira una bola al azar, se examina y se reemplaza en la urna.

Si este color se ha visto antes, también se colocan en la urna un número de otras bolas del mismo color. Pero si el color es nuevo -nunca se había visto antes en este ejercicio-, se agregan varias bolas de colores completamente nuevos a la urna.

Luego, Loreto y coautores calculan cómo cambia el número de colores nuevos de la urna y su distribución de frecuencia a lo largo del tiempo. El resultado es que el modelo reproduce las leyes de Heaps y Zipf tal como aparecen en el mundo real: una matemática primero. "El modelo de la urna de Polya con desencadenamiento de la innovación presenta por primera vez una forma satisfactoria basada en el primer principio de reproducir observaciones empíricas", dicen Loreto y compañía.

El equipo también ha demostrado que su modelo predice cómo aparecen las innovaciones en el mundo real. El modelo predice con precisión cómo se producen los eventos de edición en las páginas de Wikipedia, la aparición de etiquetas en los sistemas de anotación social, la secuencia de palabras en los textos y cómo los humanos descubren nuevas canciones en los catálogos de música en línea.

Curiosamente, estos sistemas implican dos formas diferentes de descubrimiento. Por un lado, hay cosas que ya existen pero que son nuevas para el individuo que las encuentra, como las canciones en línea; y por el otro, cosas que nunca antes existieron y que son completamente nuevas para el mundo, como las ediciones en Wikipedia.

Loreto y compañía llaman a las primeras novedades (son nuevas para un individuo) y las últimas son innovaciones, son nuevas para el mundo.

Curiosamente, el mismo modelo explica ambos fenómenos. Parece que el patrón detrás de la forma en que descubrimos novedades -nuevas canciones, libros, etc.- es lo mismo que el patrón detrás de la manera en que las innovaciones emergen de lo adyacente posible.

Eso plantea algunas preguntas interesantes, entre ellas, por qué debería ser así. Pero también abre una forma completamente nueva de pensar acerca de la innovación y los eventos desencadenantes que conducen a cosas nuevas. "Estos resultados proporcionan un punto de partida para una comprensión más profunda de las posibles adyacentes y la naturaleza diferente de los eventos desencadenantes que probablemente sean importantes en la investigación de la evolución biológica, lingüística, cultural y tecnológica", dicen Loreto y compañía.

Esperaremos ver cómo el estudio de la innovación evoluciona en lo posible adyacente como resultado de este trabajo.

Ref: arxiv.org/abs/1701.00994: Dynamics on Expanding Spaces: Modeling the Emergence of Novelties

1701 00994

Leer más publicaciones en Calaméo

Redes de innovación mediante enlaces de patentes

Red de innovación
Daron Acemoglu, Ufuk Akcigit, y William R. Kerr
PNAS

Significado
Describimos la fuerza y la importancia de la red de innovación que une los campos de la tecnología de patentes. Cuantificamos que los avances tecnológicos salen de campos individuales y enriquecen el trabajo de las tecnologías vecinas, pero estos efectos indirectos también están localizados y no son universales. Así, los avances de la innovación en una parte de la red pueden afectar significativamente a las disciplinas cercanas, pero rara vez a las muy lejanas. Comprobamos la fuerza y la importancia estable de la red de innovación mostrando cómo las innovaciones pasadas pueden predecir futuras innovaciones en otros campos en horizontes de 10 años. Esta mejor comprensión de cómo ocurre el progreso científico y de cómo los inventos construyen sobre sí mismos es una entrada importante a nuestras representaciones del proceso acumulativo de la innovación y de sus consecuencias del crecimiento económico.

Resumen
El progreso tecnológico se basa en sí mismo, con la expansión de la invención en un dominio propulsando el trabajo futuro en campos vinculados. Nuestro análisis utiliza 1,8 millones de patentes de EE.UU. y sus propiedades de citación para mapear la red de innovación y su fuerza. Las estructuras de la red de innovación pasada se calculan usando patrones de citación en las clases de tecnología durante 1975-1994. La interacción de esta estructura de red preexistente con el crecimiento patentado en los campos tecnológicos de la corriente ascendente tiene poder predictivo fuerte sobre la innovación futura después de 1995. Este patrón es consistente con la idea de que cuando haya más innovación anterior para una clase de tecnología en particular, Tecnología innova más.

Introducción

El progreso tecnológico y científico impulsa el crecimiento económico y el bienestar a largo plazo. Las teorías prominentes describen este proceso como un proceso acumulativo en el que las nuevas innovaciones se basan en los logros del pasado, utilizando la frase descriptiva de Newton de "pararse sobre los hombros de los gigantes" (por ejemplo, las referencias 1 y 2). Varios estudios proporcionan evidencia que respalda este punto de vista y, más generalmente, el desarrollo del conocimiento está incrustado en un paisaje de científicos individuales, institutos de investigación, actores del sector privado y agencias gubernamentales que modelan la tasa fundamental y la dirección de nuevos descubrimientos. A pesar de esta creciente literatura, nuestra comprensión de cómo el progreso en un área tecnológica está vinculada a los avances previos en los campos tecnológicos de la corriente ascendente es limitada. Las cuestiones abiertas, pero importantes, incluyen la estabilidad a largo plazo de cómo se comparte el conocimiento a través de los campos tecnológicos, el ritmo y el momento de la transferencia de conocimiento, y cómo deben estar conectados los campos ascendentes para tener un impacto material en una tecnología focal. Este documento proporciona algunas pruebas cuantitativas sobre estas y otras cuestiones relacionadas.

Mostramos que una "red de innovación" estable actúa como un conducto de este proceso acumulativo de progreso tecnológico y científico. Analizamos 1.8 millones de patentes estadounidenses y sus propiedades de citación para mapear la red de innovación y su fuerza. Las estructuras de la red de innovación pasada se calculan usando patrones de citación en las clases de tecnología durante 1975-1994. La interacción de esta estructura de red preexistente con el crecimiento de patentes en los campos tecnológicos "aguas arriba" tiene un fuerte poder predictivo sobre la innovación futura "posterior" después de 1995. Destaca que el 55% de la variación agregada en los niveles de patentes entre tecnologías para 1995-2004 puede explicarse por Variación en las patentes de aguas arriba; Este poder explicativo es de 14% cuando se utiliza la variación de panel dentro de cada campo (el valor R2 de las regresiones se tabula a continuación). Los sectores detallados que han visto un crecimiento más rápido de las patentes en sus campos de tecnología en los últimos 10 años son mucho más propensos a patentar hoy.

Este patrón es consistente con la idea de que cuando hay más innovación pasada para que una clase de tecnología particular se base en, entonces esa clase de tecnología innova más. Como ejemplo, utilizando subcategorías de patentes definidas a continuación, "Químicos: Revestimiento" y "Nuclear y rayos X" muestran tasas de patentes similares en 1975-1984. Antes de 1995, los patrones de citas indican que "Nuclear & X-ray" atrajo alrededor del 25% de sus insumos de innovación de "Measurement & Testing Electrical", mientras que "Chemicals: Coating" tenía una dependencia similar de "Chemicals Misc. El campo de aguas arriba creció sustancialmente menos durante 1985-1994 que el segundo en términos de nuevas patentes. En el período de 10 años después de 1995, "Chemicals: Coating" exhibe el doble de crecimiento de "Nuclear & X-rays." La heterogeneidad de la red indica que el desarrollo del conocimiento no es global, en el sentido de que los campos comparten un pool agregado de Conocimiento, ni local, en el sentido de que cada campo se construye sólo sobre sí mismo.

Es útil motivar nuestro enfoque con los modelos estándar de crecimiento endógeno y progreso tecnológico en la economía, que postulan una función de producción de nuevas ideas de la forma

ΔN(t)=f(N(t),R(t)),

donde N (t) es la reserva de ideas,ΔN (t) es el flujo de nuevas ideas producidas, y R (t) son los recursos que se utilizan para producir estos nuevos ideas (p. ej., científicos). Aunque algunos estudios estiman el impacto del inventario de ideas, N (t), sobre el flujo de nuevas ideas (por ejemplo, si hay rendimientos crecientes o externalidades de "pesca"), la mayoría de la literatura toma la entrada en la función de producción de nuevas ideas en cada campo para ser su propio inventario de ideas o un conjunto de conocimiento agregado que abarca todos los campos. Damos un paso hacia la apertura de esta caja negra y la medición de la dependencia heterogénea de la creación de nuevas ideas sobre el stock existente de ideas mediante el estudio de redes de innovación.

Suponemos que las nuevas innovaciones en tecnología j∈ {1,2, ..., J} dependen de innovaciones pasadas en todos los demás campos a través de una red de innovación. Suprimiendo la variable de recursos R (t) por simplicidad y asumiendo una forma lineal, podemos escribir

ΔNJ×1(t)=α⋅MJ×J⋅NJ×1(t),

donde ΔNJ×1(t)$\mathrm{\Delta }{N}_{J\times 1}\left(t\right)$  y NJ×1(t)$N_{J\times 1}\left(t\right)$ son, respectivamente, el vector J × 1 de tasas de innovación y el stock de conocimiento en las clases de tecnología J en el tiempo t, y  MJ×J

es una matriz J × J que representa la red de innovación: la cantidad que una clase construye sobre las reservas de conocimiento de otras clases. Dado el escalar α y nuestro enfoque en el crecimiento relativo de las tecnologías, podemos normalizar las sumas de fila de MJ×J

a uno. El caso en el que las nuevas innovaciones dependen simétricamente de un stock de tecnología para toda la economía está representado por todas las entradas en MJ×J

que son iguales a 1 / J; el caso en el que los campos solo se basan en su propio stock de conocimiento está dado por la matriz de identidad.

Analizamos patentes de utilidad otorgadas entre 1975-2009 por la Oficina de Patentes y Marcas de los Estados Unidos (USPTO). Cada registro de patente proporciona información sobre la invención (por ejemplo, clasificaciones de tecnología, citas de patentes sobre las que se basa la invención actual) y los inventores que presentan la solicitud. Analizamos 1.8 millones de patentes solicitadas en 1975-2004 con al menos un inventor viviendo en un área metropolitana de los EE. UU. La fecha de finalización de 2004 permite una ventana de 5 años para revisiones de patentes. En nuestros datos, el 98% de las revisiones de patentes se completan dentro de esta ventana.

La Fig. 1 describe la red de innovación 1975-1984 en forma de matriz. [Hall et al. (14) describen más detalladamente los datos de patente. Los estudios de los efectos secundarios intersectoriales datan al menos de Scherer (15) y Verspagen (16). Schnitzer y Watzinger (17) proporcionan un ejemplo reciente.] La restricción de año se refiere a las fechas de las patentes citadas, y se requiere que las patentes de citación futura estén dentro de los 10 años de la patente citada. La ventana de 10-y para citas hacia adelante mantiene un número constante de observaciones por edad de difusión. Las tecnologías de USPTO a menudo se agrupan en una jerarquía de tres niveles: 6 categorías, 36 subcategorías y 484 clases. Esta matriz enumera subcategorías y sus categorías principales; nuestro análisis empírico considera la variación a nivel de subcategoría y clase.

Figura 1.

Matriz de citas 1975-1984. Cada fila describe la composición de campo de las citas hechas por la subcategoría de tecnología indicada en el lado izquierdo. Las entradas en los campos de tecnología citados para cada subcategoría de tecnología de citas suman al 100%. Las diagonales -citas del propio campo, la mayoría de las citas- se excluyen del cálculo, pero se les da sombreado oscuro para referencia. El Apéndice SI, Fig. 1 muestra la red 1975-2004 y subperíodos adicionales.

Cada fila proporciona la composición de las citas realizadas por el campo de tecnología de referencia, que se suman al 100% en la fila. Las citas propias (citas que hacen los campos) representan la mayoría de las citas y, para fines visuales, se les da un sombreado oscuro en la Fig. 1. En nuestro trabajo empírico, nos enfrentamos a un dilema: una contabilidad de crecimiento completa incluye cómo acumulativa el progreso tecnológico en un campo afecta el propio desarrollo futuro del campo. De hecho, los derrames de tecnología propia suelen ser el canal más importante de desarrollo acumulativo de conocimientos y también se conectan con el concepto de capacidad de absorción, donde la investigación en el propio campo prepara a uno para absorber el conocimiento externo de otros campos (por ejemplo, referencias 18 y 19). ) Sin embargo, es muy difícil establecer convincentemente la importancia de la red de innovación cuando se mira dentro de los campos individuales, porque el progreso tecnológico para un campo a lo largo del tiempo puede estar relacionado endógenamente con su progreso pasado y futuro, así como con factores externos, y también mostrar correlación por otras razones (p. ej., aumento de los niveles de financiamiento del gobierno, condiciones dinámicas de la industria). Una contribución de nuestro análisis basado en red que usa el progreso de la tecnología upstream fuera de un campo individual, moderado por una estructura de red preexistente, para predecir la innovación futura es demostrar la importancia de este proceso de desarrollo de conocimiento en un entorno empírico que minimiza esta difícil identificación desafíos.

Por lo tanto, presentamos nuestros hallazgos a continuación de dos maneras. Una ruta es considerar solo la red externa, que excluye las citas propias y los derrames dentro del campo para aislar mejor las propiedades de la red. Escribimos nuestras próximas ecuaciones para este caso. Para ofrecer la perspectiva de crecimiento completa, también informamos los resultados de la red completa que incluye los derrames propios. Formalmente, una entrada en la matriz  MJ×Ja partir de una tecnología de citación j (fila) a una tecnología citada j '(columna) es

mj→j'=Citationsj→j'∑k≠jCitationsj→k.

En esta representación, la notación j → j 'designa una cita de patente de la tecnología j a j', que a su vez significa conocimiento que fluye de la tecnología j' a j. Para el cálculo completo de la red, la suma del denominador incluye k = j.

La Fig. 1 destaca la heterogeneidad en los flujos de tecnología. Las diagonales del bloque indican que las subcategorías dentro de cada categoría principal tienden a estar relacionadas entre sí, pero estos flujos varían sustancialmente en intensidad y muestran asimetrías importantes. Por ejemplo, las patentes en "Computadoras: periféricos" tienden a sacar más de "Computadoras: Comunicaciones" que a la inversa, porque "Computadoras: Comunicaciones" se basa más en subcategorías eléctricas y electrónicas. También hay ejemplos prominentes de conexiones entre categorías de tecnología, como el enlace entre "Compuestos orgánicos" y "Drogas". La figura 2 representa esta información en un formato de red, que agrupa en el espacio 2D las relaciones más fuertes en una proximidad más cercana.



Figura 2.
Red de innovación 1975-1984. Mapeo de red del sistema de patentes utilizando subcategorías de tecnología. Los nodos de color similar se extraen de la misma categoría del sistema USPTO. El ancho de las líneas de conexión indica la fuerza de los flujos tecnológicos, con flechas que se utilizan en casos de fuerte asimetría. Las conexiones deben representar al menos el 0.5% de las citas salientes realizadas por una subcategoría tecnológica. SI Apéndice, Figs. 2-6 muestra variaciones y propiedades de red.

La red de innovación es bastante estable. Calculando  MJ×Jpara los períodos de 10 años de 1975-1984, 1985-1994 y 1995-2004, las correlaciones y correlaciones de rangos de los valores de las celdas en horizontes de 10 y están por encima de 0.9; en un horizonte de 20 y, ambos están por encima de 0.8. SI Apéndice, Figs. 1-3 muestran estructuras de red comparables cuando se usan umbrales más estrictos para incluir enlaces / conexiones de red, cuando se examinan citas sin la normalización de modo que las citas salientes de cada tecnología se ponderan por igual y cuando se usan horizontes de datos más largos. SI Apéndice, Figs. 4-6 muestran tres diagnósticos frecuentemente calculados para los nodos de la red: importancia en grados, cercanía e interinidad. Un tema común, que también es evidente en la Fig. 2, es que muchas áreas de tecnología de alto perfil (por ejemplo, "Drogas") están en la periferia de la red de innovación. Tecnologías como "Dispositivos eléctricos" y "Procesamiento / manejo de materiales" ocupan posiciones más centrales.

Aprovechamos la considerable heterogeneidad en la velocidad a la que se difunde el conocimiento: ¿cuántos años después de la invención las patentes en tecnología j' reciben típicamente citas de la tecnología j? Construimos nuestra matriz de red de innovación para modelar separadamente cada año del proceso de difusión:

CiteFlowj→j',a=Citationsj→j',aPatentsj',


donde CiteFlow cuantifica la velocidad a la que las patentes en tecnología jitan patentes en $j\prime$ (Patentsj') para cada uno de los primeros 10 años después de la invención de esta última. * Esta estructura aumentada amplía el modelo teórico simple descrito con la matriz M para permitir procesos de difusión de conocimiento más complejos que dependen de la edad de la invención. †

Para predecir patentes futuras, combinamos la red preexistente con el desarrollo de tecnología que ocurre dentro de una ventana de 10 años antes del año focal t. Defínase a Pj, tP ^ j, t como la patente esperada en tecnología j para un año t después de 1994. Nuestra estimación de Pˆj,t

 combina patentes hechas en los 10 años anteriores con un retardo de difusión adicional de a = [ 1,10] a = [1,10] años,

Pˆj,t=∑k≠j∑a=110CiteFlowj→k,aPk,t−a,

donde Pk,t−aes la patente en la tecnología k en un retraso de difusión del año t. Como ejemplo, para una patente de la tecnología j' solicitada en 1990, modelamos su impacto para la tecnología j en 1997 al observar el impacto promedio que ocurrió con un retraso de difusión de 7 años durante el preperíodo. La suma doble en el cálculo de P ^ j, t repite este proceso para cada clase potencial de tecnología ascendente y retraso de difusión. Además de la red que se estima a partir de las interacciones de preperíodo, nuestro cálculo requiere que las patentes anteriores preceden a las predicciones aguas abajo en al menos 1 año (es decir, a≥1a≥1). Para el cálculo completo de la red, el primer término de suma incluye de nuevo k = j.

La primera fila de la Fig. 3A informa la fuerte relación de niveles entre los valores predichos (Pˆj,t)  y los valores reales (Pj,t) utilizando la variación de subcategoría en un formato de registro. Esta estimación incluye 360 ​​observaciones a través del análisis de 36 subcategorías en cada año durante 1995-2004; cada subcategoría está ponderada por su nivel inicial de patentamiento. Un aumento del 10% en las patentes esperadas se asocia con un aumento del 8% en las patentes reales cuando se considera la red externa. Divulgamos SE que son robustos contra la correlación serial dentro de una subcategoría. Esta especificación explica alrededor del 55% de la variación agregada en los niveles de patentamiento de 1995-2004. La fuerza empírica de la estimación de la red completa es aún más fuerte, con un aumento del 10% en las patentes esperadas asociadas con un aumento del 9% en las patentes reales.



Fig. 3
Análisis de la red de innovación. (A) Regresiones de las patentes reales durante 1995-2004 sobre las patentes previstas calculadas utilizando la red de innovación de 1975-1994 y el crecimiento en las subcategorías de tecnología aguas arriba anterior al año focal. El análisis de "Controles de campo y tiempo" informa un análisis de datos de panel donde primero eliminamos los promedios de cada subcategoría y cada año de los valores reales y predichos. En los análisis de "red externa solamente", consideramos las patentes previstas debido a las patentes anteriores a la subcategoría de patentes focales. (B) Repetición del análisis para clases de patentes detalladas que mantienen más de cinco patentes por año. (C) Regresiones utilizando la muestra de clase de patente, donde calculamos las patentes acumulativas reales y predictivas durante 1995-2004 para una clase de patente. Después de informar los efectos iniciales en el formato acumulativo, contrastamos el efecto ascendente focal con un efecto descendente inverso. A continuación, desglosamos el estímulo para demostrar los efectos indirectos localizados.

Aunque poderoso, hay varias preocupaciones potenciales con el enfoque simple. En primer lugar, la persistencia en los tamaños relativos de los campos tecnológicos puede llevar a una exageración de la importancia de la red. Del mismo modo, las fluctuaciones agregadas en las tasas anuales de patentes de todos los campos podrían dar lugar a un énfasis excesivo en la importancia de los campos en sentido ascendente. Para abordar, consideramos una regresión de panel que incluye controles de campo y tiempo,

ln(Pj,t)=βln(Pˆj,t)+ϕj+ηt+εj,t,

donde Pj,t y Pˆj,t son tasas reales y esperadas de patentes para la tecnología j en el año t (εj,t

 es un término de error). La estimación incluye efectos fijos para las subcategorías (ϕj) que eliminan sus tamaños a largo plazo; asimismo, los efectos fijos por años (ηt) eliminan los cambios agregados en las tasas de subvención USPTO comunes a todas las tecnologías, de modo que la identificación del parámetro β proviene únicamente de variaciones dentro de los campos. Intuitivamente, β capta si el patentamiento real en la tecnología j es anormalmente alto en relación con su tasa a largo plazo cuando se predice que está basado en las tasas de innovación anteriores. Una estimación β de uno indicaría una relación de uno a uno entre el patentado previsto y el real después de condicionar estos controles.

Estimamos en la segunda fila de la Fig. 3A un valor estadísticamente significativo y económicamente sustancial de β: 0,85 (SE = 0,17) 0,17). Aunque es menor que 1, el coeficiente estimado muestra una relación muy fuerte entre el patentado previsto y el real. El Apéndice SI, Fig. 7 proporciona representaciones visuales de estas estimaciones a nivel de subcategoría. Esta figura muestra que nuestros resultados no están impulsados ​​por valores atípicos o estrategia de ponderación.

La Fig. 3B muestra patrones muy similares cuando se usa la variación entre clases de patentes más detalladas. Consideramos en esta estimación 353 clases de patentes que mantienen al menos cinco patentes por año. La variación de niveles es muy similar a la encontrada usando subcategorías en la Fig. 3A. Las estimaciones del panel son más pequeñas, lo que sugiere un aumento del 3-4% en las patentes por cada aumento del 10% en las patentes esperadas, pero siguen siendo bastante importantes económica y estadísticamente. SI Apéndice, Figs. 8-9 proporcionan representaciones visuales de estas estimaciones a nivel de clase.

La Fig. 3C muestra un segundo enfoque para cuantificar la fuerza de la red de innovación. Hacemos una regresión de las patentes acumulativas reales durante 1995-2004 para cada clase en su valor esperado basado en la red de innovación y un control para niveles históricos de patentes,

ln(P95−04j)=βln(Pˆ95−04j)+γln(P85−94j)+εj.


Este enfoque permite una mayor variación en la forma en que la estructura de retraso de la red de innovación impacta el cambio tecnológico actual; ahora estimamos que un aumento del 10% en la innovación ascendente corresponde a un aumento del 3,5% en las patentes futuras. El Apéndice SI, Fig. 10 proporciona una representación visual.

Este enfoque acumulativo es una buena plataforma para verificaciones y extensiones de robustez. Nuestro primer control es comparar nuestro crecimiento de patentes esperado debido al estímulo aguas arriba con una métrica paralela desarrollada utilizando estímulos aguas abajo. Nuestra cuenta enfatiza las contribuciones ascendentes que fluyen a través de la red de innovación, pero es natural preocuparse de si nuestras estimaciones están recogiendo choques locales amplios en la tecnología o un tirón del lado de la demanda. Debido a que la red de innovación es asimétrica, podemos probar esta posibilidad directamente, y confirmamos en la figura 3 que los flujos ascendentes están jugando un papel central. El Apéndice SI, Tabla 1, documenta muchos controles de robustez adicionales: controlando las tendencias de la tecnología parental, ajustando los pesos de las muestras, usando formulaciones de crecimiento, considerando la difusión de segunda generación, § y más. Los resultados son sólidos para descartar una sola subcategoría, aunque dependen de que al menos se retengan algunos campos de computadora y comunicación. También encontramos estos resultados cuando usamos el sistema de Clasificación Internacional de Patentes.

Finalmente, al introducir la matriz MJ×J, notamos dos casos polares comunes a la literatura: todas las entradas son iguales a 1 / J (campos que se basan en un stock de conocimiento común) o la matriz de identidad (campos que se basan únicamente en conocimiento propio). La fila inferior de la Fig. 3 y el Apéndice SI, Tabla 2, cuantifican que la verdad se encuentra entre las tecnologías basadas en unas pocas clases clave que les proporcionan estimulantes de la innovación. Encontramos una conexión robusta de innovación a las 10 clases de patentes aguas arriba más importantes, que luego disminuye. Esta relación también se muestra utilizando la estructura de categoría de subcategoría, aunque este enfoque es más cruda dado el conocimiento fluye a través de los límites tecnológicos. Esta heterogeneidad de red indica que el desarrollo de conocimiento no es global, en el sentido de que los campos comparten colectivamente un conjunto agregado de conocimiento. ni local, en el sentido de que cada campo se construye solo sobre sí mismo.

Para concluir, nuestra investigación descubre que los desarrollos tecnológicos preliminares juegan un papel importante y mensurable en el ritmo y la dirección futuros de las patentes. Una mejor explicación de la red de innovación y sus flujos asimétricos nos ayudará a modelar el proceso acumulativo de descubrimiento científico de una manera más nítida. Una mejor comprensión de estas características puede ser una ayuda para los responsables políticos. Por ejemplo, el descubrimiento de que la investigación aguas arriba es muy importante para el crecimiento implica que si la investigación y el desarrollo disminuyen en un período, los efectos se sentirán años después. Este documento ha enfocado estos temas en un entorno que considera todas las patentes e invenciones, cuyo desarrollo podría considerarse ciencia e innovación normal o regular. Un camino interesante para futuras investigaciones es considerar si los saltos grandes se comportan en un formato similar al que se muestra aquí. También creemos que este enfoque puede ser empujado a considerar la variación a nivel regional y de la empresa, lo que puede ayudarnos a comprender el impacto causal de patentar en los resultados económicos y comerciales.

Notas a pie de página

1 A quién debe dirigirse la correspondencia. Correo electrónico: daron@mit.edu.
Contribuciones del autor: D.A., U.A., y W.R.K. realizó investigaciones, analizó datos y escribió el documento.

Revisores: B.F.J., Northwestern University; y P.S., Georgia State University.

Los autores declaran no tener conflicto de intereses.

* Los retrasos de tiempo amplían consistentemente el impacto de la tecnología descendente. Un año después de la invención, el 81% de las referencias bibliográficas pertenecen a la misma categoría (el 62% pertenece a la misma clase de patentes, el 10% pertenece a otra clase de patentes dentro de la misma subcategoría y el 9% a otra categoría dentro de la misma categoría). Después de 10 años, el 75% de las citas se producen dentro de la misma categoría de patente (respectivamente, 51%, 12% y 12%).

† Considerando que las Figs. 1 y 2 están normalizados para sumar 100% para una tecnología de citas que usa la matriz de red M, dejamos esta medida relativa a las patentes de línea de base para permitir el uso directo con las tasas de patentes futuras por tecnología. Las patentes difieren sustancialmente en el número de citas que hacen, y ponderamos las citas de manera que cada patente citada recibe la misma importancia. Nuestros resultados son robustos a diferentes enfoques para tratar con patentes que no hacen citas e instancias donde las patentes enumeran múltiples tecnologías.

‡ Para las estimaciones de panel, graficamos en estas figuras del apéndice los valores residuales de las patentes reales contra las patentes previstas. Los valores residuales se calculan como las partes no explicadas de una regresión de ln (Pj, t) ln (Pj, t) en los efectos fijos φjφj y ηtηt (un proceso similar para las series de patentes pronosticadas). Convenientemente, la pendiente de la línea de tendencia en esta figura es igual a β.

§Como algunos análisis de red consideran las relaciones de alto orden (por ejemplo, Leontief inverso en la teoría de la producción), las relaciones de primer orden son suficientes cuando se observan directamente los resultados de intermediación. Como ejemplo, considere j → j '→ kj → j' → k, con la tecnología k arriba de j'j '. Debido a que modelamos directamente el patentamiento en tecnología j'j 'para los resultados posteriores en j, ya hemos incluido cualquier posible estímulo ascendente de k. SI Apéndice, la Tabla 1 muestra resultados similares usando difusión de segundo orden cuando se excluye la relación de primer orden.

¶Las 20 principales categorías ascendentes representan el 80% de las citas y son distintas de las subcategorías. Entre los 10 mejores, el 27% de las citas provienen de la misma subcategoría y otro 27% proviene de otras subcategorías dentro de la misma categoría. Entre los próximos 10, estas cifras son 16% y 30%, respectivamente.

Este artículo contiene información de respaldo en línea en www.pnas.org/lookup/suppl/doi:10.1073/pnas.1613559113/-/DCSupplemental.

Referencias

1. Romer P (1990) Endogenous technological change. J Polit Econ 98(5):1002–1037. Google Scholar 
2. Aghion P, Howitt P  (1992) A model of growth through creative destruction. Econometrica 60(2):323–351. CrossRef  Web of Science  Google Scholar
3. Fleming L (2001) Recombinant uncertainty in technological search. Manage Sci 47(1):117–132. CrossRef  Google Scholar
4. Wuchty S,  Jones BF,  Uzzi B  (2007) The increasing dominance of teams in production of knowledge.Science 316(5827):1036–1039. Abstract/FREE Full Text
5. Azoulay P, Ding W, Stuart T (2009) The impact of academic patenting on the rate, quality and direction of (public) research output. J Ind Econ 57(4):617–676. Google Scholar
6. Furman J,  Stern S  (2011) Climbing atop the shoulders of giants: The impact of institutions on cumulative research. Am Econ Rev 101(5):1933–1963. CrossRef Google Scholar
7. Lerner J,  Stern S  (2012) The Rate and Direction of Inventive Activity Revisited (National Bureau of Economics, Cambridge, MA). Google Scholar
8. Franzoni C,  Scellato G,  Stephan P  (2012) Foreign-born scientists: Mobility patterns for 16 countries.Nat Biotechnol 30(12):1250–1253. CrossRef Medline Google Scholar 
9. Bloom N, Schankerman M, Van Reenen J  (2013) Identifying technology spillovers and product market rivalry. Econometrica 81(4):1347–1393. CrossRef Web of Science Google Scholar
10. Williams HL (2010) Intellectual property rights and innovation: Evidence from the human genome. J Polit Econ 121(1):1–27. Medline Google Scholar
11. Freeman RB, Huang W (2014) Collaboration: Strength in diversity. Nature 513(7518):305. CrossRef Medline Google Scholar
12. Konig M,  Liu Z, Zenou Y (2014) R&D networks: Theory, empirics and policy implications. Working Paper No. 142 (University of Zurich, Zurich). Available at www.econ.uzh.ch/dam/jcr:a8bc201d-da15-4249-8ea6-9e4c1681049b/paper_rnd_sub.pdf.
13. Glasso A, Schankerman M (2015) Patents and cumulative innovation: Causal evidence from the courts. Q J Econ 130(1):317–369. Abstract/FREE Full Text
14. Hall B,  Jaffe A, Trajtenberg M  (2001) The NBER patent citations data file: Lessons, insights, and methodological tools. NBER Working Paper No. 8498 (National Bureau of Economic Research, Cambridge, MA). Available at www.nber.org/papers/w8498.
15. Scherer FM (1984) in Using Linked Patent Data and R&D Data to Measure Technology Flows. R & D, Patents and Productivity, ed Griliches Z (Univ of Chicago Press, Chicago), pp 417–464. Google Scholar
16. Verspagen B (1997) Measuring intersectoral technology spillovers: Estimates from the European and US patent office databases. Econ Sys Res 9(1):47–65.  CrossRef  Google Scholar
17. Schnitzer M, Watzinger M (2014) Measuring the spillovers of venture capital, Annual Conference 2014: Evidence-based Economic Policy, September 7–10, 2014, Hamburg, Germany. Available at econpapers.repec.org/paper/zbwvfsc14/100318.htm.
18. Cohen W, Levinthal D  (1990) Absorptive capacity: A new perspective on learning and innovation.Adm Sci Q 35(1):128–152. CrossRef Web of Science Google Scholar
19. Belderbos R, Mohen P (2013) Intersectoral and international R&D spillovers. SIMPATIC Working Paper 02 (Bruegel, Brussels). Available at simpatic.eu/intersectoral-and-international-rd-spillovers.

.