E STIMATION RESULTS

Utiliza-se para a implementação destes mecanismos um algoritmo genético adaptado dos encontrados em Deb (1999), Engler e Kusiak (2011) e Mitchell (1996), com algumas alterações para se adequar à realidade de um ecossistema de inovação. O objetivo não é utilizar o algoritmo mais eficiente possível na busca da solução ótima, mas um que mimetize o fluxo de conhecimento entre entidades através de mecanismos de cruzamento, que selecionam porções aleatórias de bits do receptor e os substituem pelos bits correspondentes do emissor (Figura 15).

O cruzamento é realizado a partir da escolha aleatória de um bit da cadeia do emissor. A cadeia do emissor então será dividida em duas a partir deste bit, e estas parcelas substituirão a parcela correspondente em cópias da cadeia do receptor. Gera-se, portanto, duas soluções. No algoritmo utilizado, os “genitores” não são destruídos após a troca de conhecimento para dar lugar à nova geração após o cruzamento. A parte emissora permanece inalterada na

população, ao passo que a receptora é substituída por um dos resultados do cruzamento, escolhido de forma aleatória.

Figura 15 – Exemplo de cruzamento entre entidades

Fonte: o autor

Se as cadeias de bits tiverem diferenças consideráveis, haverá uma chance maior de que os bits escolhidos sejam diferentes entre o emissor e o receptor e ocorra, portanto, transferência de conhecimento.

A cada iteração todas as entidades detentoras de conhecimento serão chamadas a decidir se irão ou não interagir, ou iniciar uma operação de cruzamento. A chance de um receptor iniciar o processo depende de sua motivação para aprender e, se for o caso, se a entidade possui recursos disponíveis para investir na interação. Um parceiro para o cruzamento será então escolhido aleatoriamente pelo receptor em uma loteria onde possuem mais chances as entidades com maior aptidão relativa, mais recursos acumulados em relação aos concorrentes, e bom histórico de interações passadas com o receptor. Isto porque entidades com vastos recursos ou com elevada aptidão relativa (denotando habilidades desejáveis) usualmente gozam de boa reputação, atraindo parceiros interessados em aprender com elas. Entidades com poucos recursos e baixa aptidão, pela mesma lógica, não tem tantas chances de atrair parceiros. Este também é um mecanismo de seleção natural, uma das forças motoras de um ecossistema, e também uma forma de implementar uma medida da confiança que as entidades depositam entre si, posto que entidades com mais recursos podem suportar estruturas gerenciais mais complexas e ter maior capacidade de ser bem sucedidas em projetos e parcerias. Modelos computacionais que incluam a noção de distância geográfica (e/ou relacional) podem ainda ajustar estas chances de seleção com penalidades proporcionais à

distância, reduzindo a probabilidade de seleção de entidades distantes. Com isto uma entidade só teria boas chances de interagir com uma entidade distante se esta tiver níveis de aptidão ou recursos acumulados muito superiores aos das entidades mais próximas.

Apenas entidades com o mesmo tipo de conhecimento que o receptor possui (científico ou tecnológico) participam da loteria. Após o sorteio, o receptor confirma se o potencial emissor possui aptidão igual ou maior que a sua e o convida a compartilhar seu conhecimento. O emissor irá, então, decidir se interage ou não dependendo de sua disposição em compartilhar e de seu histórico de interações com o receptor. Após o cruzamento, o receptor e o emissor lembrar-se-ão de ter interagido entre si, modificando a chance de interação entre entidades que já se conhecem.

O efeito da ação de entidades integradoras também age sobre a possibilidade de haver um cruzamento, aumentando a motivação em aprender do receptor e a disposição em compartilhar do emissor, elevando a chance de que duas entidades integradas interajam. Para tanto o integrador sorteia um receptor, dando chances iguais a todos. O receptor, por sua vez, sorteia o emissor seguindo as regras de loteria com mais chances para os mais aptos.

Os efeitos dos elementos de sustentação do ambiente podem funcionar de maneira análoga, afetando positivamente ou negativamente a disposição em compartilhar e a motivação em aprender no momento em que estes forem utilizados para iniciar as ações dos agentes.

Conhecimento novo, por sua vez, é criado por mecanismos de mutação executados pelos geradores. Estes variam a cadeia de uma entidade mutante trocando o valor de cada bit de acordo com o valor de uma taxa de mutação escolhida pelo usuário Pode-se, também, “gerar” conhecimento novo para o ecossistema pela absorção de conhecimento por cruzamento com elementos externos ao mesmo, que podem ser introduzidos pelo usuário durante a simulação na forma de entidades de diferentes tipos com elevado grau de aptidão. Novo conhecimento também pode ser criado no cruzamento entre entidades que possuem conhecimento científico, algo natural no meio da pesquisa onde se encoraja quem aprende a realizar também uma contribuição inédita. O mecanismo de cruzamento entre entidades com conhecimento tecnológico, no entanto, não inclui mutação, posto que neste meio se encoraja a reprodução exata de normas técnicas, protocolos e métodos de projeto. Se não fosse desta forma, não seria possível notar na simulação o impacto da ciência e do desenvolvimento, pois o conhecimento tecnológico surgiria naturalmente.

Apesar de não se tratar de fluxo de conhecimento ou criação de novo conhecimento, o mecanismo que gera novos entrantes, ou startups, também faz uso dos mecanismos de cruzamento e mutação, que desta vez usa a informação de duas entidades sorteadas para gerar novas entidades ao invés de modificar as já existentes. Isto reflete o fato de que novas organizações frequentemente se inspiram em organizações existentes bem sucedidas e utilizam pessoas que já possuem experiência de mercado, ao mesmo tempo em que tentam introduzir algum diferencial em relação às organizações que lhes serviram de inspiração. Caso não haja duas entidades no ambiente com conhecimento compatível para o cruzamento, uma nova cadeia de bits é gerada aleatoriamente para a startup tal como as geradas ao se criar a população inicial.