The contribution of statistical network models to the study of clusters and their evolution

This paper presents a systemic review of the contributions that stochastic actor‐oriented models (SAOMs) and exponential random graph models (ERGMs) have made to the study of industrial clusters and agglomeration processes. Results show that ERGMs and SAOMs are especially popular to study network evolution, proximity dynamics and multiplexity. The paper concludes that although these models have advanced the field by enabling empirical testing of a number of theories, they often operationalize the same theory in completely different ways, making it difficult to draw conclusions that can be generalized beyond the particular case studies on which each paper is based. The paper ends with suggestions of ways to address this problem. Este artículo presenta un examen sistémico de las contribuciones de los modelos estocásticos orientados a los actores (SAOM, en inglés) y los modelos de gráficos aleatorizados exponenciales (ERGM, en inglés) al estudio de los conglomerados industriales y los procesos de conglomeración. Los resultados muestran que los ERGM y los SAOM son especialmente populares para estudiar la evolución de las redes, las dinámicas de proximidad y la multiplexidad. En el artículo se llega a la conclusión de que, si bien esos modelos han hecho avanzar este campo de estudio al permitir realizar estudios empíricos de varias teorías, a menudo ponen en práctica la misma teoría mediante maneras completamente diferentes, lo que hace difícil sacar conclusiones que puedan generalizarse más allá de los estudios de caso particulares en que se basa cada artículo. El artículo concluye con sugerencias de formas de abordar este problema. 本稿では、確率的アクター指向モデル (Stochastic Actor‐Oriented Model:SAOM)と指数ランダムグラフモデル (Exponential Random Graph Model:ERGM)による産業クラスターと集積の過程の研究への寄与の系統的レビューを行う。結果から、ERGMとSOAMは、特にネットワークの進化、近似性の変化、多重性の研究によく用いられていることが示される。本稿では、これらのモデルは、多くの理論の実証的な検証を可能にし、その研究分野を進歩させてきたが、同じ理論を全く異なる方法で扱うことにより、各研究の基となっている特定のケーススタディを超えて一般化できる結論を得ることが困難になっていると結論する。最後にこの問題に対処する方法を提案する。