Безусловно, с развитием информационно-коммуникационых технологий возможные подходы к ее решению расширились за счет возможности накапливать, хранить и анализировать огромные массивы информации, содержащие тысячи записей, в рамках электронных баз данных. Это вызвало бум в анализе сетевых структур – как в естественных, так и в общественных науках, где стал возможен количественный анализ прежде всего сетей большого размера в виртуальном пространстве: World Wide Web [Albert et al., 1999], Интернет [Kandampully, 2003; Chun, Hahn, 2007], социальные сети «в узком смысле слова» (Facebook, Linkedln и np.) [Garrigos-Simon et al., 2012; Hopkins, 2012], электронные В2В-площадки [Kaplan, Sawhney, 2000; Albrecht et al., 2005; Matook, Vessey, 2008; Chong et al., 2010] и т. д.

Однако в отличие от естественных наук, где это быстро привело к более глубокому пониманию макросвойств сетей [Albert, Barabasi, 2002; Dorogovtsev, Mendes, 2002], в общественных науках хотя и произошло быстрое накопление эмпирического материала, но почти сразу обнаружилось, что анализ этого материала ведет к противоречивым выводам исследователей. Главная проблема состоит в том, что накопление данных о формальных связях между тысячами личностей (или фирм, которые не являются «точками», или «черными ящиками») далеко не всегда позволяет объяснить, сочетание каких ожиданий, восприятий и ограниченно рациональных соображений вызывают действия, приводящие к тем или иным видимым результатам. Сбор данных методом опроса (например, менеджеров, задействованных в принятии решений в сетях) также сопряжен с целым рядом сложностей, главными из которых являются различие в восприятии отдельными личностями объективно одинаковых транзакций и связанных с ними взаимоотношений, а также в оценке их результативности и невозможность определить, насколько высказанное респондентом мнение является его собственным. Вероятность получить сознательно сформулированные «правильные» ответы, обусловленные внутрикорпоративными нормами, собственными частными интересами, требованиями руководства, недостаточной компетентностью или другими (опять же ограниченно рациональными) соображениями, достаточно высока. Соответственно сравнимость результатов и экстраполяция выводов отдельных исследований сетевых форм организации в бизнесе на другие, даже внешне сходные формы оказываются затруднены.

Тем не менее накопленный к настоящему времени обширный пласт эмпирических данных позволяет делать некоторые обобщения, давать рекомендации и составлять прогнозы, опирающиеся на соответствующие результаты анализа в рамках конкретных отраслевых рынков для отдельных типов межорганизационных сетей, действующих в сходной институциональной среде.

Кроме того, имея в виду общие характеристики механизма координации «сеть», при выдвижении и проверке гипотез о сетевом межорганизационном взаимодействии могут быть приняты во внимание данные о свойствах больших сетей «виртуального мира», полученные в результате упомянутых выше эмпирических исследований. В частности, в структуре всех этих сетей обнаружены одни и те же особенности, связанные с наличием так называемых малых дистанций (small network distances[39]), наличие сильных «сгущений» (high clustering[40]) и неоднородное распределение связей (unequal distribution of links) [Newman, 2003; Leij van der, Goyal, 2011].

Особенно неожиданным для исследователей явилось неоднородное распределение связей, наблюдаемое эмпирически для большинства сетей. Достаточно логичное объяснение этому содержится в работе [Barabasi, Albert, 1999]. Ее авторы предложили модель, в которой новый узел входит в сеть в каждый новый период времени и инициирует связи с существующими в сети узлами. При этом согласно заключению Р. Элберт и А.-Л. Барабаси вероятность узла получить новую связь пропорционально возрастает в зависимости от того, сколько связей у этого узла уже есть. То есть узел с 10 связями имеет в 10 раз больше шансов привлечь новые связи, чем узел с единственной связью. Это свойство авторы исследования назвали преференциальным присоединением (preferential attachment).