The metousiosis of knowledge into innovation: the impact of social capital dimensions on knowledge retrieval

Abstract

The doctoral thesis investigates the impact of Social Capital Dimensions on Knowledge Retrieval, separating the process into two knowledge flows based on senders’ and receivers’ Absorptive Capacity (ACAP). The first flow involves knowledge dissemination from an originator to a recipient inventor, contingent on the recipient's ACAP, where the latter leverages the knowledge to generate new insights. The second flow occurs when the initial originator reabsorbs the leveraged outcome of her previously owned knowledge from the initial receiver. These flows form an informal learning network involving the transitioning of the sender into the receiver over time, constituting a path-dependent dynamic process. Given social capital’s pivotal role in dynamic capabilities, the thesis addresses a literature gap by shedding light on the moderating impact of social capital dimensions (relational, structural, and cognitive) on senders' and receivers' ACAP capabilities in knowledge retrieval. Specifically, it explores the influence of the relational dimension on knowledge retrieval through the extraversion degree, status degree, and means-ends rationalization degree of an inventor. It also tests the moderating effect of the structural dimension which is captured via degree centrality, structural holes count, and tie strength degree of an inventor in a social network. Finally, the leveraging effect of the cognitive dimension is assessed through breadth degree, complexity degree, and cognitive distance of an inventor's knowledge portfolio. The research draws on data from Hewlett-Packard Enterprise and its subsidiaries, encompassing 113,821 unique inventors, 36,652 patents, and 483,086 citations from external inventors, over a forty-two-year period (1976-2018). Moreover, the dataset includes more than one million intra-organizational and inter-organizational relationships among inventors. To ensure methodological rigor, the thesis employs negative binomial regressions at an individual level of analysis within a longitudinal data structure.

Η διδακτορική διατριβή ερευνά την επίδραση των διαστάσεων του Κοινωνικού Κεφαλαίου (Social Capital) στην Ανάκτηση Γνώσης (Knowledge Retrieval), διχοτομώντας τη διαδικασία σε δύο ροές γνώσης με βάση την Απορροφητική Ικανότητα (Absorptive Capacity) των δημιουργών και των παραληπτών. Η πρώτη ροή περιλαμβάνει τη διάδοση γνώσης από ένα δημιουργό σε έναν παραλήπτη, εξαρτώμενη από την Απορροφητική Ικανότητα του παραλήπτη, όπου ο τελευταίος αξιοποιεί τη γνώση που έλαβε για να δημιουργήσει νέα γνώση. Η δεύτερη ροή λαμβάνει χώρα όταν ο αρχικός δημιουργός (πλέον παραλήπτης) λαμβάνει τη νέα γνώση που έχει βασιστεί στη δική του από τον αρχικό παραλήπτη (πλέον δημιουργό). Αυτές οι ροές δημιουργούν ένα ανεπίσημο δίκτυο μάθησης αποτελώντας μια δυναμική διαδικασία (dynamic process). Δεδομένου του καθοριστικού ρόλου του κοινωνικού κεφαλαίου στις δυναμικές ικανότητες (dynamic capabilities), η διατριβή αναλύει την επίδραση των διαστάσεων του κοινωνικού κεφαλαίου (relational, structural και cognitive) στις Απορροφητικές Ικανότητες των δημιουργών και των παραληπτών στην Ανάκτηση Γνώσης. Συγκεκριμένα, εξετάζει τη ρύθμιση της σχεσιακής διάστασης (relational dimension) στην ανάκτηση γνώσης μέσω του extraversion degree, του status degree και του means-ends rationalization degree ενός εφευρέτη. Επιπροσθέτως, ελέγχει τη ρύθμιση της δομικής διάστασης (structural dimension), η οποία ερευνάται μέσω του degree centrality, του πλήθους των structural holes καθώς και του tie strength degree. Καταληκτικά, αξιολογεί τη ρύθμιση της γνωστικής διάστασης (cognitive dimension) μέσω του breadth degree, complexity degree και cognitive distance της γνώσης ενός εφευρέτη. Η έρευνα βασίζεται σε δεδομένα από την Hewlett-Packard Enterprise και τις 51 θυγατρικές της, καλύπτοντας 113.821 μοναδικούς εφευρέτες, 36.652 διπλώματα ευρεσιτεχνίας και 483.086 αναφορές από εξωτερικούς εφευρέτες, κατά τη διάρκεια 42 ετών (1976-2018). Επιπλέον, το σύνολο δεδομένων περιλαμβάνει πάνω από ένα εκατομμύριο ενδο-οργανωτικές και δια-οργανωσιακές σχέσεις ανάμεσα στους εφευρέτες. Για να διασφαλιστεί η αξιοπιστία της μεθοδολογίας, η διατριβή χρησιμοποιεί αρνητικές διωνυμικές παλινδρομήσεις σε ατομικό επίπεδο ανάλυσης (longitudinal data structure).