Содержание к диссертации
Введение
Глава 1. Знания как ключевой фактор инновационного развития 10
1.1. Роль знаний в обеспечении диффузии инноваций 10
1.2. Сфера ИКТ - наукоемкая отрасль современной экономики 22
1. 3. Знания как объект концептуального и математического моделирования 28
1.4. Анализ существующих моделей производства и распространения знаний 37
Глава 2. Моделирование пространственных особенностей процессов распространения знаний 52
2.1. Характеристика математического аппарата 52
2.2 Базовая модель распространения знаний в организациях 63
2.3. Пространственная параметризация сети обмена знаниями 72
Глава 3. Динамические модели распространения знаний 87
3.1. Временная параметризация сети обмена знаниями 87
3.2 Отражение актуальности знаний в математических моделях 100
Глава 4. Апробация результатов исследования 110
4.1 Характеристика объекта исследования и входные данные исследования 110
4.2 Построение параметризованной сети распространения знаний в организации
113
Заключение 126
Библиографический список 128
- Сфера ИКТ - наукоемкая отрасль современной экономики
- Базовая модель распространения знаний в организациях
- Отражение актуальности знаний в математических моделях
- Построение параметризованной сети распространения знаний в организации
Сфера ИКТ - наукоемкая отрасль современной экономики
Инновация получает распространение по тем социальным каналам, в которых налажено эффективное взаимодействие между агентами. Пространственная диффузия, по мнению Т. Хегерстранда, является одним из этапов развития инноваций, которые имеют волновой характер. Каждое нововведения в своем развитии проходит стадии зарождения, диффузии, накопления и насыщения.
Взаимосвязь пространственного аспекта инновационных процессов и отраслевого развития рассматривал в своих работах Ф. Перру1. Ученый сопоставил факт взаимосвязи развития передовых технологических отраслей, концентрации факторов производства и инновационной активности, что в итоге формирует так называемые полюса роста. Географически полюса роста образуют эпицентры и ареалы инновационного творчества, из которых инновации потом распространяются в районы, удаленные от полюсов.
Аспект территориальной неравномерности экономического и инновационного развития развивали своих работах Ж. Будвиль, П. Потье, Х. Ласуэна. Ученые показали, что отдельные экономически развитые и инновационно-активные регионы (центры) выступают в качестве полюсов роста. От таких центов происходит импульсное распространение инноваций к периферийным районам, в след за которым тянется и экономическое и социальное развитие периферийных регионов.
Институциональный аспект диффузии инноваций отражен в эволюционной экономической теории, в частности, в трудах Р. Нельсона и Дж. Уинтера. Основной объект исследования ученых – фирма (экономический субъект), работающая по устоявшимся подходам (рутинам). По мнению ученых, существуют два способа выхода из рутинности для экономических агентов – генерация инноваций или заимствование и адаптация сторонних практик. Основная позиция эволюционной экономики – прогресс движут неравновесные
Гуриева Л.К. Теория диффузии нововведений // Инновации. – 2005. - №4(81). – С. 22 - 26 процессы1. В связке фирма – инновация раскрывается суть экономического развития субъектов хозяйствования и, как следствие, других экономических институтов. Эволюционисты понимают инновацию как процесс, движимый развитием знаний и технологий в ходе взаимодействия хозяйствующих субъектов, а экономику как систему, развитие которой направленно на рост разнообразия и сложности технологий, товаров, услуг, способов организации и управления. Инновации служат не только толчком и источником эволюционных изменений в социально-экономических системах, но и сами являются частью эволюционного процесса – на смену потерявшим актуальность товарам и услугам приходят новые.
Инновационная деятельность повсеместно спровоцировала появление новых организацонно-правовых форм – стратегические альянсы, кластеры, виртуальные организации, матричные структуры, новые формы партнерства институтов, научных организаций и коммерческих фирм. Объединения подобного рода имеют более сложную структуру и содержание, чем простые партнерства между научными организациями и частными компаниями, и в этом смысле способствуют эффективной циркуляции инноваций и знаний внутри сети, что в свою очередь является залогом инновационного творчества. Все это обеспечивает прямой доступ к инновациям и образует сетевые структуры распространения, обеспечивающие диффузию. Каналы и сети, в которых протекают процессы распространения инноваций, погружены в социальный, культурный, политический контекст, определяющий направления и ограничения этого процесса. Инфраструктура, поддерживающая инновационные процессы на уровне регионов, государств является так называемой инновационной системой.
Институциональный аспект диффузии инноваций раскрывается в концепции национальных инновационным систем. Общественный институт инновационной экономики есть инновационная система, под которой подразумевают совокупность взаимосвязанных структур, занимающихся
Концепция инновационных систем, обширно освещенная в работах К. Фримена и Б.-А. Лундавлла, повсеместно используется в официальных документах общественных организаций, в рамках политических программ отдельных государств и в рамках исследовательской методологии международных организаций2.
Мощность коммуникационных каналов, особенности восприятия знаний и информации хозяйствующими субъектами и другие характеристики элементов и связей инновационной системы влияют не только на скорость, масштаб и направление диффузии, но так же и на ее форму.
Социальный, количественный, пространственный, институциональный аспекты диффузии инноваций, изученные и детализированные к настоящему моменту, описывают лишь внешние проявления распространения инноваций, его результат, оставаясь инвариантными по отношению к механизмам, обеспечивающим сам процесс. Между тем в хозяйственной практике сложились и зарекомендовали себя как механизмы диффузии инноваций три практики – трансфер технологий, спилловер знаний и тиражирование. Таблица1.1 содержит обзор математических методов и некоторых моделей, с помощью которых описываются различные механизмы диффузии инноваций3.
Базовая модель распространения знаний в организациях
Точнее, под информацией понимают отражение окружающего мира в знаках и сигналах, данные, сопровожденные смысловой нагрузкой, помещенные в некоторый контекст и как-то оцениваемые приемником информации – отдельным индивидом или группой людей. Как правило, получение информации связывают с уменьшением неопределенности существующего выбора, ответом на какой-то заданный либо подразумеваемый вопрос. И, наконец, знания – это зафиксированная и проверенная практикой обработанная информация, которая использовалась и может многократно использоваться для принятия решений. Концентрировано эти свойства информации выражены в следующем определении: «Информация – это набор данных (сведений), несущих содержательный характер, являющийся результатом интеллектуальной деятельности человека или группы людей, обладающий определенной ценностью для потребления этих сведений в свете возможностей снижения неопределенности при принятии решений»1.
Возможно, впервые отличия информации и знаний были сформулированы основателем экономики знаний Ф. Махлупом2, который определили знания как необходимую людям информацию, используемую ими по определенным правилам, в соответствии с определенными процедурами и с учетом определенного отношения – понимание, одобрение, согласие, игнорирование, отрицание и т.п. – индивидов к этой информации.
Уже это ставшее классическим определение особо указывает на субъективный компонент; в данном контексте знания – это совокупность различных сведений и способностей, которые индивиды используют для решения проблем. Они охватывают как теоретические, так и практические познания, а с. также повседневные правила поведения, базируются на данных и информации, но, в отличие от них, всегда связаны с определенным человеком, конструируются людьми и выражают их видение причинно-следственных связей и ожиданий относительно будущего.
В специальной литературе термин «знания» употребляется в узком и широком смысле. В узком смысле знания – это совокупность опыта, ценностей, контекстной информации и экспертных оценок, которыми обладают люди. В более широком смысле слова знания объединяют в себе информацию, данные, а также включают знания в узком смысле.
В современном обществе знания не выступают обособленным ресурсом и отдельно созданным благом. Они все более активно встраиваются в единую многомерную систему экономических отношений по поводу производства, распространения и использования продуктов и услуг, охватывают различные сферы, уровни хозяйствования, типы организаций. Как следствие, их следует рассматривать как подсистему более сложной и общей системы общественных отношений в целом.
Базируясь на анализе сформировавшихся к началу текущего столетия подходов, С.М. Климов сформулировал следующие выводы относительно характеристик и роли знаний в структуре деятельности любого предприятия1: 1) знание присутствует на всех уровнях иерархии деятельности; 2) знание всегда социально. Даже если они вырабатываются индивидом самостоятельно, оно всегда базируется на другом знании и вырабатывается на основе, в рамках и с применением аппарата определенной культуры; 3) знание инструментально. Оно является важнейшим инструментом, опосредующим отношение человека к его окружению, организующим его деятельность; 4) знание – внешнее (объективируемое человеком) и внутреннее – существует в органическом единстве;
Идейная емкость категории «знания» и множественность функций знаний в деятельности предприятия (организации) объясняют, в том числе, многообразие действующих классификаций последних. Каждая из классификаций имеет определенные цели и базируется на собственном основании; выбор конкретных классификаций обусловлен потребностями преимущественного анализа процессов распространения знаний.
На наш взгляд, первичной следует признать дихотомию, основанием которой является характер знаний; по этому признаку знания подразделяются на: теоретические, состоящие из фундаментальных концепций, принципов, моделей и гипотез, которые были выведены и обобщены ведущими учеными в результате многолетней работы; практические, включающие прикладные теории, эмпирические факты, правила, опыт и другие рациональные модели, постоянно используемые в текущей работе.
Однако наибольшее значение в исследовании процессов распространения знаний имеет предложенное И. Нонака и Г. Такеучи деление знаний по форме проявления на два класса: формализованное или явное (эксплицитное знание). Формализованное знание - это та его часть, которую можно отобразить в форме документов: докладах, отчетах, инструкциях и т.п.; неформализованное или неявное (имплицитное, скрытое, латентное, подразумеваемое). Это «субъективное» знание, существующее исключительно в сознании людей, - ощущения, впечатления, мнения, интуитивные представления.
Основное внимание названные авторы уделяют именно неформализованному знанию, считая основным фактором повышения конкурентоспособности современных компаний способность воспринимать и генерировать знания. Достижение этой цели связано с признанием важности подразумеваемых знаний (внутренних, еще не выраженных во внешних формах) и пониманием различий между неявными и явными знаниями.
К явным знаниям относятся описание теорий, методологий, методов, технологий, систем и т.п. Явные знания хранятся на реальных физических носителях; к ним относятся и такие компоненты информационных систем компаний, как базы данных, инструкций и регламентов, документы, программы, адреса ресурсов и ссылки, фиксирующие местоположение различных информационных ресурсов в архивах компании, внутренних и внешних сетях. К неявным (подразумеваемым) знаниям относятся опыт, мастерство, культура мышления, во многом обеспечивающие способность человека к адаптации в меняющихся условиях
Отражение актуальности знаний в математических моделях
Базовая модель распространения знаний отражает лишь принципиальные особенности распространения знаний в профессиональных сообществах -пересечение знаний и фактор личного знакомства индивидов. Между тем рассматриваемый процесс распространения знаний среди людей, объединенных профессиональными интересами обладает пространственным аспектом -возможность и масштаб распространения знаний определяются не просто пересечением знаний, но и степенью совпадения этих знаний. Это проявляется в том смысле, что для того, чтобы обмениваться знаниями, индивиды должны разговаривать «на одной языке» для той или иной области знаний.
Для модельного описания пространственного аспекта процесса распространения знаний избран нечеткий неориентированный граф первого рода G = (V,E\, в котором множество вершин V = {vh...,vn} идентифицирует индивидов, а Е - множество ребер, представленное как нечеткое и характеризующее связи между сотрудниками (Е= Л - носитель нечеткого множества).
В качестве носителя нечеткого множества ребер Е = j принимается четкое множество ребер графа, построенное по признаку «сотрудники организации знакомы лично» (аналогичным образом это определено в базовой модели распространения знаний). Формально, это описывается матрицей Pnxn=(Pij), в которой pt-=1, только в случае если выполняется заданное условие и PJJ = 0 в противном случае.
В качестве параметра, описывающего пространственный аспект распространения знаний и функции принадлежности нечеткого множества ребер графа G, в модели выступает показатель когнитивного потенциала обмена знаниями между сотрудниками. Когнитивный потенциал обмена знаниями двух индивидов содержательно отвечает на вопрос, насколько однородны по структуре знания двух сотрудников. Предполагается, что обмен знаниями между сотрудниками возможен, когда участники обмена достаточно «близки» по знаниям, их профессиональные интересы совпадают, и они могут общаться на одну тему.
Как показано в базовой модели, вершины графа определяются не просто меткой, а набором знаний, формально выражаемом в виде вектораv = (((хк)г)т), где х - атомарный компонент области знаний (т = 1,2,...,М - предметные группы, lm=l,....,Lm - области знаний, к1т =1, ....,Кт1 - компоненты знаний). В отличие от базовой модели, в которой компоненты вектора являлись бинарными оценками, в настоящей модели компоненты векторов знаний индивидов принимают значения в интервале [0, 1], в зависимости от уровня знаний. Такой подход позволит точнее определить совпадение профессиональных знаний сотрудников.
Заданная векторная форма структуры знаний индивидов позволяет оценить когнитивный потенциал знаниевого обмена между двумя сотрудниками, численно определив степень совпадения их знаний по структуре и содержанию.
Заметим, что представленная формула определения когнитивного потенциала обмена знаниями подходит для вычисления по векторам, содержащим бинарные оценки знаний индивидов.
Данный подход аргументируют следующие соображения. В пространствах малой размерности, где вектора представляются направленными отрезками, по аналогичной формуле вычисляется косинус угла между векторами. При полном совпадении направлений векторов косинус угла между ними равен 1; возможное расхождение направлений уменьшает его вплоть до значения 0 (ортогональные векторы).
Экстраполяция этого подхода в пространство высокой размерности позволяет содержательно интерпретировать a-J1 как показатель степени близости профессиональных знаний сотрудников. Тот факт, что параметр когнитивного потенциала принимает значения в отрезке [0; 1] позволяет использовать его в качестве функции принадлежности в нечетком множестве, определяющем ребра графа: Ё = (сс/у (v,-, vy )/{vi, vy }).
Для описания процесса распространения знаний в параметризованной таким образом сети используется понятие маршрута. В теории графов маршрут определяется как набор чередующихся ребер и вершин, в котором два любых соседних элемента инцидентны. В приложении к анализу знаниевых процессов маршруты можно интерпретировать как направления, по которым распространяются знания от изначального обладателя к возможным реципиентам. На основе когнитивного параметра сети распространения знаний, в модели определяются используемые в теории нечетких графов характеристики маршрутов, которые в приложении к анализируемому процессу имеют свою содержательную трактовку.
Модель параметризованной сети распространения знаний использует три вида прочности маршрутов - конъюнктивную, дизъюнктивную и кумулятивную. Конъюнктивная и дизъюнктивная прочности маршрутов задаются ребрами с наименьшим или наибольшим показателями когнитивного потенциала соответственно. Эти характеристики могут использоваться для анализа диапазонов прочности маршрутов, для выявления слабых и сильных звеньев на маршруте.
Построение параметризованной сети распространения знаний в организации
В качестве объекта апробации была избрана компания Return on intelligence, Inc. Return on Intelligence (ROI) – международная компания по оказанию услуг в области ИТ. Основные услуги, предлагаемые компанией - консалтинг по технологическим решениям, системная интеграция и коммерческая разработка программных решений. Штаб квартира Return on Intelligence расположена в США, самый крупный центр разработки в Санкт-Петербурге. Return on Intelligence отмечена в международном рейтинге Global Outsourcing - 100 в 2014 году в числе лучших 20 компаний, работающих для финансового сектора (страхование), в списке Топ-20 компаний, работающих с правительственными учреждениями и в списке Топ-20 аутсорсных компаний, занимающихся исследований и разработки (R&D) 1.
В петербургском центре разработки компании трудятся более 250 высококлассных ИТ-специалистов: программистов, инженеров по тестированию, архитекторов баз данных, конфигурационных менеджеров, системных аналитиков. Компания уделяет внимание и обучению персонала, выделяет ресурсы на поддержание навыков и компетенций своих сотрудников на должном уровне для ИТ-сферы: действует система внутренних тренингов, компания оплачивает повышение сертификацию своих сотрудников, активно техническими ВУЗами Петербурга, для студентов которых проводит курсы по программированию и другим прикладным областям знаний из сферы ИТ.
На данный момент в компании отсутствует выделенное направление менеджмента знаний и, как следствие, управленческие решения в сфере управления знаниями принимаются без должного аналитического обоснования.
В настоящей работе приводятся результаты апробации разработанного инструментария оценки проводимости знаний в организации, анализ полученных результатов и возможные рекомендации относительно менеджмента знаний на предприятии. Для апробации полученных результатов было проведение исследование, в рамках которого была проведена оценка качественных характеристик процесса распространения знаний – когнитивного потенциала сотрудников и интенсивности их общения. Аккумулированная информация дала возможность провести необходимые расчеты и проанализировать полученные результаты.
В рамках апробации была определена выборка сотрудников организации, для которых будут определяться качественные характеристики процесса распространения знаний. Работа в компании построена по принципу команд, которые занимаются разработкой конкретного проекта. На данный момент в компании действуют порядка 200 проектов, численность которых варьируется от 1 до 40 человек. В качестве выборки для реализации разработанного инструментария были выбраны три проекта общей численностью 78 специалистов – программистов, инженеров качества программного обеспечения, системных и бизнес аналитиков и менеджеров. Данные проекты включены в одно структурное подразделение предприятия. Еще одним фактором в пользу такого ограничения выборки выступает локализация отобранных команд – все сотрудники находятся в одном помещении формата open space с отдельной кухней и переговорной комнатой. Целевой аудиторией в расчетном примере выступают программисты, что мотивировано тем фактом, что в своей работе специалисты этого профиля используют наиболее наукоёмкие и технологичные знания – языки программирования, языки СУБД и т.д. Так же в выборку были включены менеджеры проектов, разработчики front-end части приложений для адекватного отражения каналов распространения знаний в моделируемой системе. Финальная выборка технических специалистов отобранных команд насчитывает 47 специалистов. В модельных расчетах каждому сотруднику поставлена в соответствие вершина графа с индексом i, принимающим значения от 1 до 47.
Для построения векторов знаний использовалась корпоративная информационная система StarTrack, являющаяся собственной разработкой компании и содержащая информацию о знаниях, компетенциях и опыте каждого сотрудника Return on Intelligence. В рамках исследования был проанализирован подход к декомпозиции профессиональных знаний сотрудников и адаптирован к применению в расчетах по разработанным в рамках настоящего диссертационного исследования моделям.
Для построения сети распространения знаний среди технических специалистов отобранных проектов были определены вектора знаний каждого из сотрудников, попавшего в финальную выборку (по формуле 2.4). Приложение Б содержит представления знаний сотрудников по рассматриваемым областям знаний (таблицы Б.1 - Б.7).
Для определения частоты общения сотрудников среди сотрудников выбранных проектов был проведен опрос, выявивший связи между специалистами. Респонденты предоставили информацию о своем круге общения среди коллег с учетом следующей градации частоты общения:
В содержит оценки интенсивности общения для каждой пары сотрудников (обозначение градаций в числовом интервале от 0 до 1: 0,9 - каждый день, 0,7 - несколько раз в неделю, 0,5 - реже, чем раз в неделю, 0,3 - реже, чем раз в месяц).
На основе собранной информации о знаниях сотрудников и интенсивности их общения в настоящем исследовании была построена модель сети распространения знаний в организации, проведен анализ характеристик процесса обмена знаниями и разработан ряд рекомендаций по совершенствованию текущего обеспечения циркуляции знаний в компании.