INTRODUCCIÓN

A pesar de ser la cuna de la llamada “Revolución verde”, el estado de Sonora, ubicado en el noroeste de México, permanece rezagado en términos de innovación biotecnológica.³ No obstante, en dicha región reside una vibrante comunidad académica (investigadores, estudiantes de distintos niveles y al menos, tres instituciones y centros de investigación) que trabaja en el sector biotecnológico. Esta masa crítica constituye una sólida base de capital humano especializado, lo que sugiere la pertinencia de indagar en fenómenos de emergencia al interior de esta red.

La debilidad de esa red emergente se advierte en la escasa presencia de startups en el ramo, al igual que en una pobre generación de patentes, pese a la existencia de un nutrido flujo de proyectos de investigación provenientes de instituciones y centros de investigación que no logran cristalizar en una firma.

Dichas instituciones, que emergieron a raíz de la expansión agrícola, ganadera y pesquera en el estado, entre ellas la Universidad de Sonora (Unison), el Instituto Tecnológico de Sonora (Itson) y el Centro de Investigación en Alimentación y Desarrollo (CIAD), conjuntan más de 400 profesores adscritos al Sistema Nacional de Investigadores, y más de 100 000 estudiantes de posgrado y licenciatura. Tan solo la Universidad de Sonora forma parte de comunidades científicas de k-núcleo máximo en cinco o más campos temáticos (Ciencia de Materiales, Ciencias Agrícolas, Física, Geociencia, Ingeniería, Matemáticas y Química). Las publicaciones se concentran en los campos de la Física (267), Ingeniería (147) y Química (218), según datos de la Web of Science que comprenden el período de 1981-2003.

El universo de instituciones y académicos altamente especializados en el campo de la biotecnología es un valioso atributo para potenciar el desarrollo de dicha actividad, cuyo potencial justifica estudiar la interacción en red de estudiantes, empresarios, académicos e investigadores, su entorno, y las posibles implicaciones en el desarrollo de ese sector emergente.

Dichas interacciones son una caja negra: se observa un sistema que involucra un conjunto de datos de entrada prometedores, y otro conjunto de salida más o menos desalentador (escasas empresas o startups, patentes, modelos de utilidad y proyectos, pero muchos artículos de investigación), aunque virtualmente desconocemos las relaciones y procesos intermedios.

La biotecnología reviste una importancia vital para Sonora, no sólo por tratarse de una zona semidesértica con grandes retos en materia de suelos, riego y condiciones climatológicas extremas, sino también porque estas condiciones pueden constituir áreas de oportunidad a partir de la biotecnología, misma en la que se adscriben gran parte de la investigación de frontera en la actualidad (^{Kafarski, 2012}; ^{Matyushenko, Sviatukha y Grigorova-Berenda, 2016}).

El propósito de este trabajo es explorar la dinámica de las interacciones registradas entre la comunidad biotecnológica del estado de Sonora, para lo cual se aplica parcialmente un modelo basado en agentes inspirado en el SNA (Social Network Analysis) y en el SAC (Sistemas Adaptativos Complejos), propuesto por ^{Beckenbach, Briegel y Daskalakis (2009)} para identificar redes de innovación y signos de emergencia de los agentes económicos regionales. Se busca comprobar la conveniencia de esas herramientas para el estudio del comportamiento de variables clave al interior de un SRI (Sistema Regional de Innovación) en proceso de formación.

Los sistemas adaptativos complejos (SAC) constituyen un campo interdisciplinario de investigación que busca explicar cómo un gran número de entidades simples se organizan entre ellas, sin la ayuda de un control central, conformando un todo colectivo que crea patrones, usa información, y en algunos casos, evoluciona y aprende, y es cada vez más utilizado para comprender todo tipo de sistemas. El estudio de los SAC se centra en las propiedades complejas, emergentes y macroscópicas del sistema. Por su parte, la teoría de SNA (Social Network Analysis) nos proporciona las herramientas necesarias para 1) generar redes, 2) obtener métricas y 3) detectar clústeres.

Dichas herramientas facilitan la exploración de la caja negra antes referida, así como posibilitan poner a prueba nuestra hipótesis, en la que consideramos que los agentes que conforman el sector biotecnológico de la región operan de manera desarticulada, con un bajo índice de colaboración científica y escasa orientación hacia prácticas innovadoras, lo que afecta negativamente la eficiencia del SRI.

La naturaleza fundamental de la replicación de la evidencia empírica para la construcción del conocimiento científico motiva también la realización de este trabajo, al igual que la necesidad de reconstruir al menos parcialmente los procedimientos algorítmicos del estudio referido, mismos que no están disponibles públicamente.

El artículo se organiza en cuatro apartados, cuya primera parte examina los conceptos teóricos fundamentales de emergencia y complejidad dentro de los SRI, así como la importancia del enfoque del análisis de redes y los modelos basados en agentes. Seguidamente se discute la generación de redes dentro del sector biotecnológico regional, a partir de las cuales se obtiene un conjunto de datos que se traslada a un modelo basado en agentes. Este modelo se finca en la caracterización y segmentación de los agentes de acuerdo a una serie de categorías cuyo origen es la Teoría del Comportamiento Planeado de Ajzen- Carnegie.

En el cuarto apartado se aborda la aplicación del modelo y los resultados obtenidos, así como sus implicaciones para el sector biotecnológico del SRI de Sonora en particular, en un escenario caracterizado por una acelerada conversación de la cual es imperativo formar parte. Finalmente, se plantean conclusiones generales, así como recomendaciones para el enriquecimiento y profundización de la investigación basada en este tipo de modelos.

EMERGENCIA Y COMPLEJIDAD EN LOS SISTEMAS REGIONALES DE INNOVACIÓN

Los SRI funcionan como una compleja red de interacciones entre nodos que operan como agentes de intercambio de conocimiento y bienes de distinto orden, insertos dentro de una serie de sistemas (cultural, económico, etcétera) que funcionan bajo su propia lógica, es decir, que responden como un SAC. Este puede recibir distintos grados de incentivos que desencadenan diferentes e impredecibles respuestas. La Teoría de la Complejidad indica que un alto grado de estimulación produce una franja de actividad cercana al caos, siendo esa franja donde ocurre el fenómeno de emergencia. Excesiva estimulación produce caos, mientras que muy poca genera equilibrio o inercia.

En los SAC todo está en permanente cambio; dentro de ellos, los patrones siempre son dependientes del contexto (^{Taylor, 2003}). La principal diferencia entre un Sistema Adaptativo Complejo y uno que no lo es, es la no linealidad derivada de la simple suma de sus partes, como ocurre, por ejemplo, en el caso del sistema financiero global (crisis, recesiones), o en el sistema inmunológico (fiebre, anticuerpos).

REDES DE INNOVACIÓN ER Y SCALE FREE EN EL SECTOR BIOTECNOLÓGICO DE SONORA

La diferencia entre los tipos de redes ER (Erdös y Renyi, o ER Networks) y las redes de escala libre (Scale Free Networks), está determinada por su topología. Mientras que las redes ER se trazan a partir de una variable asociacional aleatoria –o varias–, las redes de escala libre existen por sí mismas (^{Hein, Schwind y König, 2006}). Un ejemplo de esto es la red de hipervínculos que conforman Internet, o una red de menciones dentro de un sistema de microblogging.

Dentro de las redes ER, los coeficientes de clusterización forman una curva normal, es decir, hay poca desviación, o todos los nodos están más o menos conectados dentro de los estándares, lo que no ocurre en las redes de escala libre, donde unos pocos nodos tienden a estar muy conectados, lo que genera un pico y una “cola gorda” (fat tail) de muchos nodos poco conectados. La diferencia está determinada por la manera en que se construyen ambos tipos de redes. Mientras que en una red ER la adhesión de nuevos nodos es más o menos uniforme entre los nodos ya existentes, en las redes de escala libre los nuevos nodos suelen adherirse con mayor frecuencia a los nodos que ya están altamente conectados (^{Hein et al., 2006}).

Otra discrepancia es la influencia que una u otra topología tiene en el fenómeno de diseminación de la información. Mientras que en el modelo ER existen umbrales estadísticos bajo los cuales se detiene o no alcanza a afectar a todos los nodos, el resultado en las redes de escala libre es totalmente distinto. En este caso, técnicamente no existe un umbral, por lo que todos los nodos pueden ser afectados: trágico si es una epidemia, pero benéfico para la derrama de conocimiento.

Las redes de escala libre son una representación más cercana de las redes tal como se manifiestan “en el mundo real” que las tradicionales redes ER; sin embargo, son más difíciles de sujetar a modelos de simulación, especialmente si los nodos son personas.

APLICACIÓN DE UN MODELO BASADO EN AGENTES DENTRO DE UN SRI

La red descrita anteriormente representa solamente un recorte en el tiempo, es decir, una especie de fotografía del espacio temporal en el que se realizó la investigación. Si bien guarda información sobre 1) la topología de la red formada por los agentes, 2) los atributos de estos a nivel firma y 3) los múltiples contenidos que demarcan cada lazo, no nos permite adentrarnos en su morfología, y por tanto, en las diferentes retroalimentaciones entre los estados de los agentes y la red como un todo (^{Beckenbach et al., 2009}).

La única manera de penetrar este “nuevo mundo” en el que la red se comporta de manera dinámica es utilizando un modelo de simulación, en el que los atributos o la información empírica de los agentes son convertidos en variables, cuyo conjunto determina un estado de la firma. Así, los agentes son capaces de reaccionar ante un estímulo, retroalimentación o umbral determinado por las reglas del modelo, evolucionando a través de cada ciclo o iteración.

Para ilustrar el proceso de aplicación de un modelo basado en agentes, utilizamos el modelo propuesto por ^{Beckenbach, et al. (2009)}, el cual fue aplicado a gran escala en Alemania. Creemos que constituye una aproximación útil en regiones emergentes, porque aunque se carece de la información necesaria para la aplicación de encuestas de innovación estandarizadas, permite profundizar en aspectos relevantes para los procesos de innovación –como la inclinación hacia la cooperación científica y la confianza en socios regionales–.

^{Beckenbach, Briegel y Daskalakis (2007)} identifican cuatro aspectos del comportamiento relevantes para los procesos de innovación: 1) el conocimiento declarativo y procedural, 2) las habilidades (en términos de encontrar nuevas heurísticas y capacidades de recombinación y asociación de los elementos de conocimiento dados), 3) la motivación intrínseca y extrínseca y por último, 4) los rasgos de la personalidad (curiosidad, aceptación del riesgo, etcétera).

La interacción entre las dimensiones social, competitiva e individual del proceso de innovación puede caracterizarse estableciendo una tipología de agentes y una tipología de competencia. Por ejemplo, un tipo de agente puede ser caracterizado con una combinación de expectativas pesimistas, objetivos de innovación del tipo reactivo, y cierta lealtad a los paradigmas; mientras que un tipo de competencia, por ejemplo, puede implicar un bajo grado de concentración, bajas barreras de entrada y la orientación hacia la dimensión del costo (^{Daskalakis, 2016}).

APLICACIÓN DEL MODELO Y RESULTADOS

La implementación del modelo se realizó con base en un conjunto de ocho agentes utilizando variables que miden actitudes (aversión al riesgo, curiosidad, metas) y normas (utilidades aspiradas, utilidades obtenidas), las cuales motivan la elección de uno u otro modo de acción, así como variables de activos (endowmentt) intelectuales y económicos de la firma (conocimiento especializado, capacidad financiera). El criterio para la selección de un modo de acción inicial está modulado por tres parámetros del comportamiento (actitud aspiracional β, propensión a imitar y propensión a cooperar).

A continuación se describen las características del modelo:

Si denotamos

g – ingresos obtenidos el último ciclo o iteración s – nivel de aspiración correspondiente

El modo de acción está determinado por los siguientes criterios:

Tenemos que la selección del modo de acción opera como una función de la tasa ingresos/nivel de aspiración. Por tanto, si la firma aspira a ganar 100 pesos durante el trimestre, y el último trimestre ganó 200, es decir el doble, la tasa es mayor a la actitud aspiracional, y por tanto se elige el modo de acción rutina, o mantener las cosas tal como están. Si por el contrario, dicha tasa es menor que la actitud aspiracional –es decir, la firma obtiene ingresos menores a los aspirados–, pero mayor que el resultado de restar el valor asignado a la variable i (propensión a imitar),⁷ a la actitud aspiracional, se decanta por el modo de acción imitación. Por ejemplo, si la firma deseaba ganar 100, pero sólo obtuvo 50, y la propensión a imitar es alta, existe motivación para incursionar con un nuevo producto, aunque sólo sea una copia de otros ítems en el mercado. En el caso de los modos de innovación cooperativa e individual, interviene además la variable x (propensión a cooperar).

Lo anterior se consigue con el siguiente código:

ask turtles [

if g / s >= B [set color blue ] ;; rutina

if g / s < B and g / s >= B - i [set color pink] ;; imitación, i es la propensión a imitar

if g / s < B - i and g / s >= B - X [set color yellow]

;; innovación cooperativa, X es la propensión a la cooperación

if g / s < B - X [set color red] ;; innovación individual

forward 3

En este punto, al ejecutar el código anterior obtenemos en pantalla el número total de agentes (turtles), cada uno identificado con un color que indica el modo de acción elegido de acuerdo con los parámetros obtenidos a través del cuestionario de investigación.

Contrario a la actitud aspiracional β, el nivel aspiracional se actualiza al final de cada paso según la ecuación:

Donde Φ representa la flexibilidad de adaptación (de cada empresa). La expresión anterior se expresa dentro de NetLogo de la manera siguiente:

set s1 ((1 - fa) * s) + (fa * g)

set s s1

Así, utilizando estas expresiones y el conjunto de datos disponible, observamos que en el caso de las empresas estudiadas dentro del sector biotecnológico de Sonora, inicialmente la mayoría se ubica dentro del modo de acción de innovación cooperativa. Para la iteración 20 por ciento, 50 por ciento de las compañías se desplaza al modo rutina, mientras que 50 por ciento restante permanece en modo de innovación cooperativa, y para la iteración 30, la totalidad de las compañías operan en modo rutina, comportamiento que se repite en adelante.

Las variables i y x, que reflejan respectivamente la propensión a imitar y la propensión a cooperar de cada empresa, están dadas por las respuestas a un conjunto de preguntas asociadas a dichos fenómenos dentro del cuestionario de investigación.

Utilizando la notación de ^{Beckenbach et al. (2009)}, el TC (Costo de Transacción) de una red de innovación es una función de la especificidad del conocimiento (s), el número de componentes del conocimiento (q) y la confianza (r) en términos de la frecuencia de transferencias exitosas de conocimiento en el pasado.

La F2 (Fuerza Innovadora), se caracteriza por:

Donde α representa la aceptación del riesgo, cin el costo esperado de la innovación, y f (i) la curiosidad o inclinación por la exploración con el valor 0, la aspiración de ganancias con el valor 1, y la aspiración de cuota de mercado con el valor 2.

Por otra parte, F1 (Fuerza Imitadora) está determinada por:

Y F0 (Fuerza de preservación o Rutina) es igual a 1.

Para obtener F2, es necesario calcular

Donde w0 representa la inclinación por la exploración, kr las reservas de conocimiento, fr las reservas financieras, asp el nivel de ganancias aspiradas y asm el nivel de cuota de mercado aspirado. E1 y E2, parámetros utilizados para la elasticidad del mercado, se utilizan con los valores 8 y 16 en la constelación paramétrica estándar de referencia utilizada por ^{Beckenbach et al. (2009)}.

Para derivar las medias relevantes es necesario distinguir diferentes tipos de comportamientos de firmas. En relación al modelo, se clasifican tres tipos: Innovadores radicales, imitadores y firmas que operan bajo rutinas. En el caso de Sonora, la distribución de los tipos de firmas se distribuye como sigue: 80 por ciento se ubica en la categoría F_IR (innovadores), mientras que 20 por ciento lo hace dentro de la categoría de imitadores (F_IIM). Ninguno de los encuestados se identificó como firma que no conduce ningún tipo de innovación (F_ROUT).

Al tratarse de un sector emergente, existe un número reducido de firmas en la región, la mayoría de reciente creación y operando en parte con fondos públicos/privados obtenidos a través de convocatorias, premios e incentivos a la innovación. Todas las firmas encuestadas cuentan con un producto en el mercado.

Luego de identificar los parámetros relevantes, se distinguen dos tipos:

Dada la importancia de la cooperación innovadora para los SRI, es necesario especificar las condiciones microeconómicas para este tipo de actividad, conectada en el contexto dado del modelo. Las condiciones de activación (triggering conditions) para la cooperación innovadora se derivan de la síntesis del comportamiento y observaciones empíricas (^{Beckenbach et al., 2009}).

Los autores distinguen una combinación de actitudes personales, normas subjetivas y condiciones que influencian la orientación de la voluntad de un agente hacia un modo cooperativo de innovación: en principio, las tres fuerzas que forjan la capacidad de innovar son básicas para la voluntad del agente de cooperar en términos de innovación. Estas fuerzas están relacionadas con el desempeño de mercado actual del agente. En segundo lugar, los diferentes tipos de agentes tienen una propensión diferente a cooperar. Esto toma en consideración que no es sólo importante la posición actual en el mercado, sino también algunas actitudes de mayor profundidad que surgen de diferentes estilos de comunicación dentro de distintos horizontes de innovación. Tercero, por lo menos en un contexto regional, la frecuencia de las innovaciones cooperativas puede ser observada. Esto puede ayudar a reducir la incertidumbre asociada con este tipo de actividad innovadora, al facilitar la búsqueda de socios y demostrar las posibilidades de superar el oportunismo. Cuarto, los subsidios provenientes de instituciones políticas como un incentivo exógeno para formar una cooperación.

Los resultados de ^{Beckenbach et al. (2009)} son prácticamente imposibles de replicar con un conjunto de datos pequeño, información no estandarizada y un SRI en formación. Sin embargo, la implementación de la elección de los modelos de acción de las distintas firmas y la variación de su comportamiento a través de las diferentes iteraciones muestra de qué manera es posible codificar estas ecuaciones y trasladarlas a un código de programación que permita analizar todo tipo de datos.

En ausencia de métricas, es posible utilizar otras estrategias, como de hecho lo hacen dentro del modelo descrito. Algunas de ellas son la utilización de constantes arbitrarias y/o parámetros definidos de manera aleatoria dentro de ciertos límites.

En el caso de nuestro modelo, se optó por utilizar una variable booleana para identificar si una firma era poseedora o no de conocimiento diferenciado, procediendo a establecer un vínculo de cooperación o match cada vez que la iteración encuentre dos firmas cuya variable contenga el valor 1, y este vínculo no haya sido establecido previamente.

El código es el siguiente:

set asset-specificity? one-of [false true]

show [asset-specificity?] of turtle 0

show who

show match

if asset-specificity? = true [set potential-match potential-match + 1]

if counti = 0 and asset-specificity? = true [set match who

set counti counti + 1 ]

if who != match and asset-specificity? = true and potential-match > 1 [

create-link-with turtle match

set potential-match 0 set counti 0]

fd 1

show count links

El código anterior genera la siguiente salida después de ocho iteraciones, ciclos o ticks, que es la manera en que NetLogo identifica cada vez que culmina un ciclo, en este caso, económico. Este código lo único que hace es generar un estado aleatorio en cada uno de los agentes, que puede ser positivo o negativo. Si es positivo, significa que la firma cuenta con activos específicos (conocimiento, capital); si es negativo, no es candidato a una posible relación de cooperación con otra firma. Así, durante la primera iteración y una vez generados aleatoriamente los primeros estados, se establecen los primeros lazos. Es la forma más sencilla de simular un proceso de cooperación. Sin embargo, carece de elementos de retroalimentación, así como de umbrales y demás variables que caracterizan un proceso de esta naturaleza.

En la figura 4 pueden observarse los resultados de correr el modelo durante ocho iteraciones. Así durante el primer ciclo, siete de las ocho firmas asumen el color amarillo, es decir, adoptan un modo de acción innovador cooperativo, y sólo una marca roja, o modo de acción innovador individual. Durante este ciclo se establece solamente una relación de cooperación entre dos firmas. Durante el segundo ciclo, podemos observar una nueva relación de cooperación, y esta vez tres firmas han adoptado el modo rutina (indicado con el color azul). El tercer ciclo marca cuatro relaciones de cooperación. Para el cuarto ciclo, la mitad de las firmas eligen el modo rutina. Durante el octavo ciclo, tenemos 14 lazos, en tanto que la proporción de selección de modo de acción se mantiene constante.

Los resultados observados en la figura anterior reflejan una simplificación respecto a la gran cantidad de variables que intervienen dentro de un proceso de cooperación, desde la consideración de los costos de transacción al verificarse ésta hasta los cambios que deben hacerse en términos algorítmicos para alterar variables tales como la confianza (tr) y la cantidad de conocimiento (kr), que deberán variar con cada cooperación exitosa, o la manera en que dicha cooperación afecta la demanda y/o la cuota de mercado.

Conceptualmente, el modelo de ^{Beckenbach et al. (2009)} no es más que un proceso iterativo de simulación de cooperación entre los distintos agentes de un sector de un SRI, lo cual implica, entre otras cosas, transferencia de conocimiento y su absorción, así como la generación de productos y/o innovaciones derivadas de dichas relaciones de cooperación. Durante el curso de este proceso iterativo, el inventario de conocimiento de cada firma puede mejorar dependiendo de los distintos factores de retroalimentación del modelo. Conforme avanzan las iteraciones, la confianza puede aumentar o disminuir, dependiendo de si las relaciones de colaboración son exitosas o no.

Los parámetros utilizados para cada una de las variables de los agentes están basados en los datos empíricos recopilados a través de la aplicación del cuestionario de investigación. Debido a la selección muestral, que se centró en firmas dentro del espectro innovador de la biotecnología, la tipología de los agentes es similar, y corresponde a la firma con alto nivel de especificidad de conocimiento y una capacidad de confianza moderada, pero aun así dispuesta a la cooperación y a la transferencia de conocimiento, ligada a las firmas orientadas a los servicios, no así a las industriales.

La cantidad de conocimiento transferido durante cada iteración depende del nivel de confianza y la propensión a cooperar de cada firma, y es así como todos estos factores afectan la capacidad general del SRI para producir relaciones de cooperación e innovaciones en el mercado. La generación del código completo de dicha conceptualización es sólo el principio, y deja abierta la puerta a una riquísima mina de exploración, que permitirá probar la influencia de distintas variables en la eficiencia de un SRI.

Desafortunadamente, dichas consideraciones rebasan los alcances de este texto. Sin embargo, y aunque se espera abordarlas extensivamente en un futuro, consideramos que el código generado es suficiente para ilustrar la poderosa herramienta a la que tiene acceso la ciencia social al incorporar la investigación basada en SAC, que permite modelar todo tipo de sistemas con la ayuda de un lenguaje de programación relativamente sencillo y ampliamente utilizado por la comunidad científica.

CONCLUSIONES Y RECOMENDACIONES

En América Latina falta mucho camino por recorrer en términos de homogenización de datos respecto a la medición de la innovación. En Sonora, son todavía poquísimas las compañías dedicadas a la biotecnología, y aún menos las dispuestas a proporcionar información, por lo que el análisis de datos disponibles es un ejercicio meramente exploratorio.

La mayor parte de las compañías exploradas se autoidentifica como innovadora, tendiente a la innovación cooperativa, dueña de capital humano altamente especializado, poseedora de un alto nivel de conocimiento y, en general, se traza metas relativamente ambiciosas en términos de utilidades, penetración y ampliación del mercado.

Lo anterior desentona con algunas observaciones hechas en el transcurso de esta investigación, como la marcada reticencia a la cooperación mostrada en la respuesta a un cuestionario entre un amplio grupo de agentes, incluyendo académicos y empresarios, y cierta desconfianza por parte de actores gubernamentales. Estos últimos debieron excluirse del conjunto de datos de este modelo, por lo que se recomienda una futura investigación que los incorpore.

El potencial está latente; compañías como Rubio Pharma, Agropro y Galaz Science and Engineering, dedicadas respectivamente a la farmacología, la agricultura de precisión y la fabricación de instrumentos biomédicos, están fuertemente conectadas hacia el exterior, y tienen lazos significativos con centros de investigación e instituciones centralizadas, IES locales y universidades extranjeras.

La comunidad científica debe permanecer alerta ante la evolución del comportamiento del SRI, estudiando este y otros sectores emergentes, alimentando los conjuntos de datos disponibles y proveyendo información económica relevante para, en la medida de lo posible, ser agente de cambio en su crecimiento y consolidación.

En el modelo de simulación implementado por ^{Beckenbach et al. (2009)} en Alemania, la innovación cooperativa juega un importante rol en la derrama de conocimiento a nivel regional. Los comportamientos diferenciados de los agentes no sólo les otorgan cadenas de conocimiento heterogéneas, sino que el conocimiento para la región como un todo es diferente en cada ciclo, y la importancia de cada rama del conocimiento varía durante estos.

En general, para ^{Beckenbach et al. (2009)}, el número de innovaciones cooperativas y la derrama de conocimiento entre agentes son los indicadores más importantes del desempeño del SRI. Los agentes que eligen el modo de innovación cooperativa son el core de este, y este modo de acción es la fuente de redes de relaciones multiplex tanto de mercado como de jerarquía. Este análisis muestra que los parámetros para la innovación cooperativa revelan un “paisaje de red” detrás de las dinámicas observables en un SRI.

La ampliación de la perspectiva hacia este paisaje ilumina las condiciones para un buen desempeño. Dichas simulaciones, por tanto, pueden ser un punto de partida para la mejora bottom up, o de abajo hacia arriba, de los SRI –incluidas las redes–, en contraste con la perspectiva usual de optimización top-down en investigación de redes, y la correspondiente entre los “diseñadores” o “master minds” detrás de un SRI.

Investigaciones futuras de esta índole en Sonora y en otras regiones del mundo con SRI en proceso de formación, requerirán de la incorporación de nuevas variables para el estudio prospectivo de los distintos sectores productivos y de las firmas que los componen, especialmente aquéllas relacionadas con la cooperación y colaboración científica y tecnológica entre éstas, además de asegurarse de su claridad técnica y replicabilidad.

Asimismo, queda manifiesta la urgente necesidad de colaboración de la ciencia social con las ciencias informáticas y computacionales, necesarias como puente para la generación de simulaciones multiagente basadas en teoría social y económica llevada al plano algorítimico.