ترجمه : دکتر روح الله تولایی
مقدمه: برخی از محققان علم سازمان و استراتژی، تلاش قابل توجهی را برای دفاع از روش های مختلف تحقیق انجام داده اند. بحث در مورد استقرایی یا قیاسی بودن شکل گیری تئوری و هدف اطلاعات از مشاهدات میدانی در مقابل نمونه داده های عددی بزرگ، دو بخش جداگانه هستند که غالبا در زندگی ما و کسانی که دانشجویان ما هستند وجود دارد. با وجود این برخی از اعضای محترم حرفه ایی تحقیق ما همچنان نگرانی هایی دارند که تلاش های جمعی از دانشگاهیان تنها محدود به تولید اندک از تئوری است که باید دقیق و عملا مفید باشد، و همچنین قادر به آزمون کردن در زمان و شرایط در حال تغییر باشد.
هدف از این مقاله این است که فهرست مطالبی از فرایند تئوری پردازی را ارائه نماید که میان داده، روش ها و تئوری ارتباط برقرار می کند. ما مایواریم که این مدل بتواند یک زبان مشترک در مورد فرایند پژوهش فراهم کند که کمک کند به دانشمندان مدیریت تا بتوانند نقش انواع داده ها و پژوهش ها را بهتر درک کنند، و بوسیله آن بتوان در کارهای دیگر موثرتر بود.
مبنای تجزیه و تحلیل ما در دو سطح است: پروژه های پژوهشی فردی و چرخه های مکرر از تئوری پردازی که در آن پژوهشگران بر اساس کارهای دیگر تلاش میکنند. مدل ترکیب و افزودن مطالعات دیگر از اجتماعات دانشمندان در مجموع تئوری معتبر و قابل اعتماد را شکل می دهد. این مفاهیم هنجاری و آموزشی برای هدایت پژوهش ها، ارزیابی کار دیگران، آموزش دانشجویان دکتری ما، و طراحی دوره های اموزشی ما استفاده می شود.
در حالی که احساس خوب در درک آنها از این دیدگاه این بوده است که بر اساس مشاهدات ما بسیاری از کسانی که در مورد فرایند پژوهش چیزی نوشتند، و آنهایی که در تفکر و تمرین خبره هستند ، هنوز حتی به یک زبان مشترک نرسیده اند. واژگان مشابه در پدیده ها و فرایند های مختلف استفاده می شوند، و همان پدیده ها می توانند به کلمات و واژگان مختلف نامیده شوند. مقالات منتشر شده در نشریات معتبر اغلب قواعد ابتدایی برای قابلیت اعتماد و اعتبار نظریه را نقض می کنند. در حالی که اذعان به دستیابی به اجماع در یک فرایند پژوهش دشوار است،ما ادعا میکنیم اگر دانشمندان و دست اندر کاران مدیریت یک درک مشترک از چگونگی شکل گیری نظریه داشته باشند، ما بهتر می توانیم پژوهش را انجام دهیم. اما نقطه اشتراک استاندارد های دشوار علمی و کمک های مدیران شناختن چگونگی کارهایی است که منجر به خواسته های آنها شود.
هدف ما در این مقاله این نیست که از دیگر کارهای علمی به عنوان یک تئوری خوب یا یک تئوری بد تمجید کنیم یا انتقاد کنیم: تقریبا تمام بخش های منتشر شده از تحقیقات دارای نقاط قوت و کاستی های منحصر به فرد می باشد.ما مثال هایی را از دیگر تحقیقات علمی در مقاله ذکر خواهیم کرد، اما ما این کار را تنها برای نشان دادن فرایند تئوری سازی انجام می دهیم. ما امیدواریم که مدل شرح داده شده در این مقاله یک قالب و زبان متداولی را که از دیگر کارهای علمی استفاده کرده است ارائه نماید.
در بخش اول از چهار بخش این مقاله ما یک فرآیند سه مرحله ایی که پژوهشگران برای ارائه تئوری انجام می دهند را تشریح می کنیم. در بخش دوم، ما در مورد نقش اکتشافات از ناهنجاری در ساخته شدن بهتر تئوری بحث می کنیم.در بخش سوم ما تشریح می کنیم چگونه کسانی که تئوری را می سازند ، ارزیابی می کنند و بکارگیری می کنندمی توانند بگویند آیا آنها می توانند به یک تئوری اعتماد کنند- آیا آن تئوری در شرایطی که آنها پیدا می کنندمعتبر و کاربردی است. در نهایت در بخش چهارم ما پیشنهاد می کنیم چگونه دانشمندان می توانند در رشته پژوهش درگیر شوند – برای طراحی دوره های دانشجویی در جهت کمک به تئوری پردازی بهتر.
بخش اول : فرایند تئوری پردازی
تئوری پردازی در دو مرحله اصلی اتفاق می افتد که عبارتند از: اول مرحله تشریحی و دوم مرحله هنجاری و اصولی. در هر کدام از این مراحل، سازندگان تئوری یک فرایند را درسه گام انجام می دهند.فرایند تئوری پردازی از طریق این سه گام، مدام تکرار می شود.
در گذشته محققان مدیریت برای ارائه تئوری از توجه به این گام ها غافل بوده اند و یا تنها به یکی از این گام ها توجه می شد. بعنوان مثال واژگانی مانند “تئوری سودمندی” در اقتصاد، “تئوری احتمال” در طراحی سازمان، تنها به گام فردی در فرایند تئوری پردازی توجه شده است.ما پیشنهاد می کنیم سودمندتر است که تفکر در مورد تئوری به عنوان بدنه ادراکی باشد که محققان برای جمع بندی فعالیت های خود بر اساس این سه گام و در دو مرحله تشریحی و هنجاری استفاده نمایند.از بسیاری جهات بهتر است که واژه ی تئوری به همان اندازه که به عنوان یک اسم است، به عنوان یک فعل نیز باشد. به این دلیل که بدنه ادراکی آن مدام در حال تغییر است و توسط دانشمندان توسعه می یابد.
تئوری پردازی های تشریحی
مرحله تشریحی در فرایند تئوری پردازی یک مرحله مقدماتی و اولیه است، زیرا محققان به طور کلی بایستی از این مرحله عبور کنند تا بتوانند تئوری هنجاری و اصولی پیشرفته تری بسازند. سه گامی که محققان بایستی برای ساخت تئوری های تجویزی و اصولی انجام دهند شامل مشاهده، طبقه بندی و وابسته سازی می باشد.
گام 1: مشاهده
در گام نخست محققان پدیده ها را مشاهده می کنند و به دقت توصیف می کنند و آنچه را دیده اند اندازه گیری می کنند. مشاهده با دقت، مستند سازی و اندازه گیری پدیده ها با کلمات و اعداد در این گام بسیار با اهمیت است زیرا اگر محققان بعدی نتوانند بر توصیف پدیده به توافق برسند، سپس ثابت کردن تئوری مشکل خواهد بود. مطالعات اخیر مدیریت مانند ” کارکرد ها و توابع اجرایی” و مواردی که در دهه 1940 و 1950 در دانشکده بازرگانی هاروارد نوشته شده است کار توصیف را به این شیوه انجام داده اند که بسیار ارزشمند می باشد.
این گام از تحقیق در نمودار شماره یک به عنوان پایه هرم نشان داده شده است زیرا این یک بنای ضروری برای کار است. پدیده هایی که در این گام جستجو می شوند تنها شامل چیزهایی مانند افراد، سازمان ها و تکنولوژی ها نمی شوند، بلکه شامل فرایند ها نیز می شود. این مشاهدات در هر کجا می توان انجام شود.، در امتداد یک زنجیره از تجزیه و تحلیل پایگاه داده بزرگ تا انتهای آن، و از سوی دیگر مبتنی بر رشته و مشاهدات مردم شناسی.
محققان در این گام اغلب توسعه می دهند که به آن “سازه” می گوییم. این سازه ها انتزاعی هستند و به ما کمک می کنند که جزئیات بیستری از پدیده ها و چگونگی عملکرد آن را شناسایی کنیم. جوزف باورز مدیریت فرایند تخصیص منابع (1970 میلادی) نمونه این موضوع است. سازه او از “محرک” و “زمینه”، توضیح می دهد چگونه مقدار حرکت برای ایجاد در پیشنهادات سرمایه گذاری خاص و عدم یکی شدن در پشت سر دیگران، کمک می کند به تولید سیاست و استراتژی محققان برای تصمیم گیری درباره سرمایه گذاری های استراتژیک. تعریف اقتصاد دانان از مفاهیم “سودمندی” و”هزینه های معاملات” سازه های انتزاعی هستند که به ما کمک می کنند تا کلاسی از پدیده ها که آنها مشاهده کرده اند را درک نماییم. این مفاهیم بخشی از تئوری های شناخت رفتار مصرف کننده و فعل و انفعالات سازمانی هستند.
گام 2: طبقه بندی
پس از مشاهده و توصیف پدیده ها، در گام دوم محققان این پدیده ها را در دسته های مختلف طبقه بندی می کنند. در مرحله تشریحی از تئوری پردازی، طبقه بندی هایی که دانشمندان انجام می دهند به طور معمول صفات پدیده ها را توصیف می کند. از جمله نمونه های طبقه بندی استراتژی شرکت ها شامل شرکت های متنوع در مقابل شرکت های متمرکز، و شرکت های عمودی یکپارچه در مقابل شرکت های تخصصی می باشد. تجارت عمومی در مقابل تجارت اختصاصی نیز یک نمونه از طبقه بندی شرکت ها در زمینه عملکرد مالی آنها می باشد. این طبقه بندی ها تلاش می کنند تا روابط بین پدیده ها و خروجی های مورد انتظار آنها را ساده سازی و سازماندهی نماید.
محققان مدیریت اغلب به این طبقه بندی های تشریحی به عنوان چهارچوب و گونه شناسی ارجاع می دهند. برای مثال بورگلمن و سایلس (1986) بر اساس سازه باورز (1970) دو نوع زمینه متفاوت سازمانی و استراتژیک را تعریف کرده اند.
گام 3: تعریف روابط
در گام سوم، محققان ارتباط و همبستگی بین دسته های مختلف و خروجی های مشاهده شده را جستجو می کنند. در مرحله تشریحی تئوری پردازی، محققان تفاوت صفات مختلف را شناسایی می کنند و روشن می سازند، مرتبط ساختن و ارتباطات آنها نیز بر اساس الگو های سودمندی از خروجی ها انجام می شود. تکنیک هایی مانند تجزیه و تحلیل بازگشت در تعریف این ارتباطات سودمند می باشد. ما اغلب خروجی های این مرحله را به صورت مدل و الگو نمایش می دهیم.
تئوری تشریحی میزان ارتباط و همبستگی بین صفات طبقات مختلف در پدیده ها و خروجی ها را نشان می دهند. برای مثال ، هاتون، میلر و اسکینر (2000) چگونگی پاسخ قیمت سهام به اعلام های درآمد را آزمون کرده اند. آنها انواع واژه ها و عبارات در اظهارات را با تغییر در قیمت سهام به عنوان متغییر های تشریحی در یک معادله ی رگرسیون کد گذاری نموده اند.
این تجزیه و تحلیل ها محققان را قادر می سازد تا بطور متوسط در سراسر یک نمونه از کل شرکت ها و اطلاعیه ها، با روش خاصی واکنش مطلوب (و یا با کمترین نامطلوبی) به قیمت سهام داشته باشند. تحقیقات مانند این مورد در تئوری تشریحی با اهمیت است. با این حال تا این مرحله تنها می توان ادعا کرد به طور متوسط چه ویژگی هایی هستند که با بهترین نتایج همراه خواهند بود. یک مدیر خاص در یک شرکت خاص هنوز نمی داند که آیا پس از این که فرمول به طور متوسط منجر به نتیجه مورد انتظار او در موقعیت های خاص خود می شود یا خیر. توانایی دانستن اینکه در یک شرکت خاص با موقعیت خاص خودش چه اقداماتی منجر به نتیجه مورد انتظار خواهد شد با توسعه تئوری هنجاری امکان پذیر خواهد بود که در ادامه توضیح داده شده است.
چگونه تئوری در مرحله تشریحی بهبود می یابد
هنگامی که پژوهشگران در این هرم سه گامی از پایین به بالا حرکت می کنند – مشاهده، طبقه بندی و تعریف روابط، و ساختن مدل ها و چهارچوب ها – در حقیقت آنها بخش استقرا را در فرایند تئوری پردازی طی کرده اند. پس از آن محققان می توانند با چرخش از بالا به پایین در بخش استقرایی این هرم مشغول بهبود تئوری ها شوند و به دنبال آن فرضیه هایی را که به صورت قیاسی فرموله می شوند را تست نمایند. این امر اغلب از طریق بررسی اینکه آیا ارتباط بین ویژگی ها و نتایج در یک مجموعه متفاوت از داده ها نسبت به داده هایی که از آن روابط فرضیه القا شده انجام می شود.
هنگامی که محققان یک تئوری در یک مجموعه جدید از داده ها را تست می کنند (که آیا داده ها اعدادی در یک کامپیوتر هستند و یا مشاهدات میدانی در یک زمینه جدید)، آنها در داده های جدید ویژگی هایی از پدیده ها را پیدا می کنند که در واقع با نتایج پیش بینی شده ارتباط دارد. هنگامی که این اتفاق می افتد، این تست تئوری ارائه شده در شرایط تحت مشاهده را تایید می کند. با این حال محققانی که در این نقطه متوقف می شوند به سادگی به مدلی که در بالای هرم تست شده است باز می گردند اما دیگر بهبود نمی یابد. این تنها زمانی است که یک ناهنجاری شناسایی شده – نتیجه ایی که این تئوری نمی تواند محاسبه کند – و فرصتی برای بهبود تئوری به وجود می آیدو همانطور که شکل شماره (1) نشان می دهد، کشف ناهنجاری به محققان فرصتی برای مشاهده دوباره لایه های پایه ایی در هرم تئوری می دهد – برای تعریف واندازه گیری پدیده هایی که دقیق تر و کتر دو پهلو هستند، و یا تقسیم آن به دسته های جایگزین – بنابراین این ناهنجاری ها و نتایج می توانند توضیح داده شوند. به عنوان مثال در مطالعه ایی که در خصوص چگونگی تاثیر نوآوری های تکنولوژیکی بر رهبری شرکت ها در آینده انجام شده، در اوایل طرح طبقه بندی بر اساس ویژگی ها شامل ویژگی رادیکال در برابر ویژگی نوآوری افزایشی بوده است. عبارت های مربوط به همبستگی در هنگام استفاده شرکت ها از ویژگی نوآوری افزایشی بهتر عمل کردند، اما در مواجهه با تغییرات رادیکالی اشتباه کردند. اما برخی شرکت ها که در استفاده از ابزار تکنولوژی رادیکال موفق بودند با تعمیم این طبقه بندی مخالف بودند.
به همین جهت توماس و اندرسون (1986) طرح طبقه بندی متفاوتی را ارئه نمودند که عبارت بود از تغییرات تکنولوژیکی ارتقاء شایستگی ها در برابر تخریب شایستگی ها. این طبقه بندی جدید بسیاری از مخالفت ها را با طرح طبقه بندی اولیه از بین برد. اما محققان بعدی جنبه های جدیدی از طرح طبقه بندی توماس و اندرسون را کشف نمودند. برای نمونه هندرسون و کلارک (1990) طبقه بندی نوآوری های مدولار و پیمانه ای را در مقابل معماری ارائه نموده اند. و یا کریستنسن (1997) طبقه بندی تکنولوژی های تقویت کننده در مقابل از هم گسیخته را ارائه کرده است. و گیلبرت (2001) طبقه بندی تهدید در مقابل فرصت را ارائه کرده است. همچنین دانشمندان کشف کردند که با تجزیه کردن فرضیات در روش های مختلف و تعریف وابستگی های میان طبقه های مختلف و خروجی های مورد انتظار آنها، این مخالفت ها قابل حل شدن می باشد.
در راستای بسیاری از مباحثی که در مورد مزایای روش های قیاسی و استقرایی (روش های کمی و کیفی) انجام شده است، پیشنهاد ارائه شده ر قالب دو هرم قابل ارائه می باشد. تلاش های مربوط به تئوری پردازی توسط محققان معمولا زمانیکه به نیمه هرم می رسند احساس موفقیت می کنند و می ایستند.
تلاش های مربوط به تئوری پردازی های تشریحی معمولا نوعی طبقه بندی فرضیات بر اساس ویژگی های آنهاست، زیرا این ویژگی ها راحتر قابل مشاهده و اندازه گیری هستند. همچنین سنجیدین همبستگی میان ویژگی ها و نتایج برای فرضیه سازی و انجام تجزیه و تحلیل های کمی بر روی آن آسان تر است. کوهن (1969) در تحقیقات خود مشاهده کر که سردرگمی و تناقضات پیش آمده در فرایند تئوری پردازی های تشریحی معمول و عادی است. این مرحله معمولا با طبقه بندی زیاد مشخص می شود زیرا فرضیه های عمومی دارای ویژگی های زیادی هستند. هر مشاهده ایی می تواند انحرافات دیگر مدل ها را توضیح دهد، اما انحرافات خود را نیز تحمل می کند و در بردارد.
انتقال از تئوری های تشریحی به تئوری های تجویزی
تناقضات و سردرگمی هایی که اغلب در تئوری های تشریحی به وجود می آید می توان هنگامی که محققان به دقت همبستگی و علت خروجی ها را بررسی می کنند، حل شوند. همانطور که در نمودار شماره دو نشان داده شده است، حرکت به سمت راس هرم در تئوری های تجویزی، عباراتی است که نه فقط همبستگی را بررسی می کند بلکه دلایل خروجی های مورد انتظار را نیز بیان می کند. فهمیدن رابطه علت و معلولی پدیده ها محققان را قادر می سازد تا اثبات کنند مدیران چه عملکرد هایی باید داشته باشند تا به نتایجی که آنها نیاز دارند دست یابند. به دلایلی که در زیر بیان شده، تئوری تجویزی قدرت پیش بینی بیشتری از تئوری تشریحی دارد.
تئوری تجویزی نیز مانند تئوری تشریحی نیازمند بهبود است و محققان این کار را با فعالیت های زیر و گام های مشابه در تئوری تشریحی انجام می دهند. فرضیه سازی در رابطه با درستی رابطه علت و معلولی عبارات، آنها چرخه استنتاج را برای آزمایش عبارت های بین کننده علت ها از پایین هرم انجام می دهند: اگر ما عملکرد هایی را که انجام می شود مشاهده کنیم، باید نتایجی باشد که ما مشاهده می کنیم. وقتی که آنها با یک پدیده غیر متعارف مواجه می شوند، آنها مجددا در طبقات پایین هرم کاوش می کنند. آنها گاهی می توانند استثنائات را با دقت بیشتری حل کنند و از روش های کمتر ابهام آمیز برای تعریف و ارزیابی پدیده ها استفاده نمایند. آنها موارد استثناء را با انجام مجدد گام طبقه بندی بررسی می کنند. برای تئوری پردازی های تجویزی نسبت هب طرح هایی که بر اساس ویژگی های پدیده ها می باشد، محققان رویداد ها و موقعیت های مختلفی را که مدیران ممکن است با آن مواجه باشند را طبقه بندی می کنند. هنگامی که آنها با استثنائی مواجه می شوند، این کار را با این پرسش انجام می دهند که : مدیران در چه موقعیتی بودند که نتایج مختلف بدست آمده است؟ با پرسیدن این سوال محققان بین بالا و پایین هرم تئوری تجویزی حرکت می کنند، مشاهدات غیر متعارف محققان نیز در نهایت با موقعیت ها و رویدادهای خاصی که مدیران با آن مواجه بوده اند تعریف می شوند.
تاریخچه تحقیق در سرنشین پرواز روش مناسبی برای مجسم کردن چگونگی انتقال از تئوری تشریحی به تئوری تجویزی است. در طول قرون وسطی هوانوردان به عنوان بهترین تجربه تحقیقات و آنالیزهای آماری بودند. آنها مشاهده کردند که بسیاری از جانوران توانایی پرواز دارند و این جانوران را با دیگر حیوانات مقایسه می کردند. اکثریت پرندگان موفق دارای دو بال بودندو اکثر حیواناتی که توانایی پرواز را نداشتند فاقد این ویژگی بودند. این همان جوهر اصلی تئوری تشریحی است. در این دوران هوانوردان نیز از بهترین تجربیات پرندگان برای موفقیت در پرواز الگو برداری کردند. سپس آنها و بال ساختند و بهم متصل کردند، سپس از یک بلندی به پایین پریدند و به شدت بال زدند. اما این کار جواب نداد. آنها برای یک قرن برای پرواز تلاش کردند و ویژگی های تمام پرندگانی که توانایی پرواز را داشتند و آنهایی که که توانایی پرواز را نداشتند بررسی کردند.
سپس در مطالعات دقیق آقای باکون در خصوص ماشین های متحرک دنیل برنولی، به طرحی از ایرفویل دست یافتند که پرواز را امکان پذیر می کرد. کشف این استثناء به محققان اجازه داد تا طرح طبقه بندی خود را مجددا بازبینی کنند. در این هنگام به جای حرکت به بالا و پیشرفت روزگار و با ویژگی های خوب و بد پرندگان، محققان روزگار را با پاسخ به این سوال طبقه بندی کردند: چگونه هوانوردان متوجه شدند که چه علت هایی باعث سقوط هواپیمای آنان شده است؟ این موضوع باعث تا آنها بتوانند تکنیک ها و ابزارهایشان را بهبود بخشند. اما زمانی که شما در این وضعیت قرار دارید، به منظور دست یابی به خروجی های مورد انتظار به پرواز به طرق مختلف نیاز دارید.
دنیای مدیران نیز امکان ندارد که کاملا قابل پیش بینی شود. مدیران نیز مانند هوانوردان با شرایط خاصی مواجه هستند و روش ها و ابزار کافی در اختیار ندارند.همچنین فاکتور های انسانی و پویایی های گروهی پیچیده مانع پیش بینی صحیح می شوند. اما با این وجود مطالعات دانشمندانی مانند هکمن در فهمیدن نتایج مربوط به رهبری رفتارها و اینکه چگونه نتایج در شرایط مختلف تغییر می کنند، به ما کمک می کنند.
The Cycles of Theory Building in Management Research
Theory thus become instruments, not answers to enigmas, in which we can rest. We don’t lie back upon them, we move forward, and, on occasion, make nature over again by their aid. (William James, 1907: 46)
Some scholars of organization and strategy expend significant energy disparaging and defending various research methods. Debates about deductive versus inductive theory-building and the objectivity of information from field observation versus that of large-sample numerical data are dichotomies that surface frequently in our lives and those of our students. Despite this focus, some of the most respected members of our research profession (i.e., Simon (1976), Solow (1985), Hambrick (1994), Staw and Sutton (1995), and Hayes (2002)) have continued to express concerns that the collective efforts of business academics have produced a paucity of theory that is intellectually rigorous, practically useful, and able to stand the tests of time and changing circumstances.
The purpose of this paper is to outline a process of theory building that links questions about data, methods and theory. We hope that this model can provide a common language about the research process that helps scholars of management better understand the roles of different types of data and research, and thereby to build more effectively on each other’s work. Our unit of analysis is at two levels: the individual research project and the iterative cycles of theory building in which a researchers attempt to build upon each other’s work. The model synthesizes and augments other studies of how communities of scholars cumulatively build valid and reliable theory.1 It has normative and pedagogical implications for how we conduct research, evaluate the work of others, train our doctoral students, and design our courses.
While many feel comfortable in their understanding of these perspectives, it has been our observation that those who have written about the research process and those who think they understand and practice it proficiently do not yet share even a common language. The same words are applied to very different phenomena and processes, and the same phenomena can be called by many different words. Papers published in reputable journals often violate rudimentary rules for generating cumulatively improving, reliable and valid theory. While recognizing that research progress is hard to achieve at a collective level, we assert here that if scholars and practitioners of management shared and utilized a sound understanding of the process by which theory is built, we could be much more productive in doing research that doesn’t just get published, but meets the standards of rigorous scholarship and helps managers know what actions will lead to the results they seek, given the circumstances in which they find themselves.
Our purpose in this paper is not to praise or criticize other scholars’ work as good theory or bad theory: almost every published piece of research has its unique strengths and shortcomings. We will cite examples of other scholars’ research in this paper, but we do so only to illustrate how the theory-building process works. We hope that the model described here might constitute a template and a common language that other scholars might use to reconstruct using how bodies of understanding have accumulated in their own fields.
In the first of the four sections of this paper, we describe a three-step process by which researchers build theory that is at first descriptive, and ultimately normative. Second, we discuss the role that discoveries of anomalies play in the building of better theory, and third, we describe how those who build, evaluate and utilize theories can tell whether they can trust a theory – whether it is valid and applies to the situation in which they find themselves. Finally, we suggest how scholars can engage in course research – to design student courses in ways that help faculty researchers build better theory.
I. The Theory Building Process
The building of theory occurs in two major stages– the descriptive stage and the normative stage. Within each of these stages, theory builders proceed through three steps. The the theory- building process iterates through these three steps again and again. In the past, management researchers have quite carelessly applied the term theory to research activities that pertain to only one of these steps. Terms such “utility theory” in economics, and “contingency theory” in organization design, for example, actually refer only to an individual step in the theory-building process in their respective fields. We propose that it is more useful to think of the term“theory”as a body of understanding that researchers build cumulatively as they work through each of the three steps in the descriptive and normative stages. In many ways, the term“theory” might better be framed as a verb, as much as it is a noun – because the body of understanding is continuously changing as scholars who follow this process work to improve it.
The Building of Descriptive Theory
The descriptive stage of theory building is a preliminary stage because researchers generally must pass through it in order to develop more advanced normative theory. The three steps that researchers who are building descriptive theory utilize are observation, categorization, and association.
Step 1: Observation
In the first step researchers observe phenomena and carefully describe and measure what they see. Careful observation, documentation and measurement of the phenomena in words and numbers is important at this stage because if subsequent researchers cannot agree upon the descriptions of phenomena, then improving theory will prove difficult. Early management studies such as The Functions of the Executive (Barnard, 1939) and Harvard Business School cases written in the 1940s and 50s were primarily descriptive work of this genre– and was very valuable. This stage of research is depicted in Figure 1 as the base of a pyramid because it is a necessary foundation for the work that follows. The phenomena being explored in this stage include not just things such as people, organizations and technologies, but processes as well. These observations can be done anywhere along the continuum from analysis of huge databases on the one end, to field-based, ethnographic observation on the other.
Without insightful description to subsequently build upon, researchers can find themselves optimizing misleading concepts. As an example: For years, many scholars of inventory policy and supply chain systems used the tools of operations research to derive ever-more-sophisticated optimization algorithms for inventory replenishment. Most were based on an assumption that
managers know what their levels of inventory are. Ananth Raman’s pathbreaking research of the phenomena, however, obviated much of this work when he showed that most firms’ computerized inventory records were broadly inaccurate – even when they used state-of-the-art automated tracking systems (Raman 199X). He and his colleagues have carefully described how inventory replenishment systems work, and what variables affect the accuracy of those processes. Having laid this foundation, supply chain scholars have now begun to build a body of theories and policies that reflect the real and different situations that managers and companies face.
Researchers in this step often develop what we term constructs. Constructs are abstractions that help us rise above the messy detail to understand the essence of what the phenomena are and how they operate. Joseph Bower’s Managing the Resource Allocation Process (1970) is an example of this. His constructs of impetus and context, explaining how momentum builds behind certain investment proposals and fails to coalesce behind others, have helped a generation of policy and strategy researchers understand how strategic investment decisions get made. Economists’ concepts of “utility” and “transactions costs” are constructs – abstractions developed to help us understand a class of phenomena they have observed. We would not label the constructs of utility and transactions cost as theories, however. They are part of theories – building blocks upon which bodies of understanding about consumer behavior and organizational interaction have been built.
Step 2: Classification
With the phenomena observed and described, researchers in the second stage then classify the phenomena into categories. In the descriptive stage of theory building, the classification schemes that scholars propose typically are defined by the attributes of the phenomena. Diversified vs. focused firms, and vertically integrated vs. specialist firms are categorization examples from the study of strategy. Publicly traded vs. privately held companies is a categorization scheme often used in research on financial performance. Such categorization schemes attempt to simplify and organize the world in ways that highlight possibly consequential relationships between the phenomena and the outcomes of interest.
Management researchers often refer to these descriptive categorization schemes as frameworks or typologies. Burgelman & Sayles (1986), for example, built upon Bower’s (1970) construct of context by identifying two different types of context–organizational and strategic.
Step 3: Defining Relationships
In the third step, researchers explore the association between the category-defining attributes and the outcomes observed. In the stage of descriptive theory building, researchers recognize and make explicit what differences in attributes, and differences in the magnitude of those attributes, correlate most strongly with the patterns in the outcomes of interest. Techniques such as regression analysis typically are useful in defining these correlations. Often we refer to the output of studies at this step as models.
Descriptive theory that quantifies the degree of correlation between the category-defining attributes of the phenomena and the outcomes of interest are generally able to make probabilistic statements of association representing average tendencies. For example, Hutton, Miller and
Skinner (2000) have examined how stock prices respond to earnings announcements. They coded types of words and phrases in the statements as explanatory variables in a regression equation, with the ensuing change in equity price as the dependent variable. This analysis enabled the researchers then to assert that, on average across the entire sample of companies and announcements, delivering earnings announcements in a particular way would lead to the most favorable (or least unfavorable) reaction in stock price. Research such as this is important descriptive theory. However, at this point it can only assert on average what attributes are associated with the best results. A specific manager of a specific company cannot yet know whether following that average formula will lead to the hoped-for outcome in her specific situation. The ability to know what actions will lead to desired results for a specific company in a specific situation awaits the development of normative theory in this field, as we will show below.
How Theory is Improved within the Descriptive Stage
When researchers move from the bottom to the top of the pyramid in these three steps – observation, categorization and association, and in so doing give us constructs, frameworks and models– they have followed the inductive portion of the theory building process. Researchers can then get busy improving these theories by cycling from the top down to the bottom of this pyramid in the deductive portion of the cycle – seeking to “test” the hypotheses that had been inductively formulated. This most often is done by exploring whether the same correlations exist between attributes and outcomes in a different set of data than the data from which the hypothesized relationships were induced. When scholars test a theory on a new data set (whether the data are numbers in a computer, or are field observations taken in a new context), they sometimes find that the attributes of the phenomena in the new data do indeed correlate with the outcomes as predicted. When this happens, this “test” confirms that the theory is of use under the conditions or circumstances observed.2 However, researchers who stop at this point simply return the model to its place atop the pyramid tested but unimproved.
It is only when an anomaly is identified – an outcome for which the theory can’t account – that an opportunity to improve theory occurs. As Figure 1 suggests, discovery of an anomaly gives researchers the opportunity to revisit the foundation layers in the theory pyramid– to define and measure the phenomena more precisely and less ambiguously, or to cut it into alternative categories – so that the anomaly and the prior associations of attributes and outcomes can all be explained. In the study of how technological innovation affects the fortunes of leading firms, for example, an early attribute-based categorization scheme was radical vs. incremental innovation. The statements of association that were built upon it concluded that the leading established firms on average do well when faced with incremental innovation, but they stumble in the face of radical change. But there were anomalies to this generalization – established firms that successfully implemented radical technology change. To account for these anomalies, Tushman
& Anderson (1986) offered a different categorization scheme, competency-enhancing vs. competency-destroying technological changes. This scheme resolved many of the anomalies to the prior scheme, but subsequent researchers uncovered new ones for which the Tushman- Anderson scheme could not account. Henderson & Clark’s (1990) categories of modular vs. architectural innovations; Christensen’s (1997) categories of sustaining vs. disruptive technologies; and Gilbert’s (2001) threat-vs.-opportunity framing each uncovered and resolved anomalies for which the work of prior scholars could not account. This body of understanding has improved and become remarkably useful to practitioners and subsequent scholars (Adner,
2003; Daneels, 2005) because these scholars followed the process in a disciplined way. They articulated theories that could be falsified – that could yield anomalies. Subsequent scholars then uncovered what these anomalies were, and resolved them by slicing the phenomena in different ways and articulating new associations between the category-defining attributes and the outcome of interest.
Figure 1
The Process of Building Theory
Statements of association (models)
Categorization based upon attributes of phenomena (frameworks & typologies)
Observe, describe & measure the phenomena (constructs)
Anomaly
In contrast to many debates about the virtues of deductive and inductive methods, this suggests that these are two sides to the same pyramid. Every complete lap around the theory- building pyramid consists of an inductive side and a deductive side. Theory building efforts stall when researchers drop the baton and declare victory having run only half of a lap around the theory pyramid.3
Descriptive theory-building efforts typically categorize by the attributes of the phenomena because attributes are easiest to observe and measure. Likewise, correlations between attributes and outcomes are easiest to hypothesize and quantify through techniques such as regression analysis. Kuhn (1962) observed that confusion and contradiction typically are the norm during descriptive theory-building. This phase is often characterized by a plethora of categorization schemes because the phenomena generally have many different attributes. The sequence of studies of technology change cited above is an illustration of such a plethora. Often, in this phase, no model is irrefutably superior: Each seems able to explain anomalies to other models, but suffers from anomalies to its own.
The Transition from Descriptive to Normative Theory
The confusion and contradiction that often accompany descriptive theory become resolved when careful researchers – often through detailed empirical and ethnographic observation – move
beyond statements of correlation to define what causes the outcome of interest. As depicted in Figure 2, they leap across to the top of the pyramid of normative theory, whose capstone is a statement of what causes the outcome of interest, not just what is correlated with it. Their understanding of causality enables researchers to assert what actions managers ought to take, in order to get the results they need. For reasons noted below, normative theory has much greater predictive power than descriptive theory does.4
Figure 2:
The Transition from Descriptive Theory to Normative Theory
Statement of causality
Preliminary statements of correlation
Categorization of the circumstances in which we might find ourselves
Observe, describe &
measure the phenomena
Anomaly
Categorization by the attributes of the phenomena
Normative Theory
Anomaly
Observe, describe & measure the phenomena
Descriptive Theory
Normative theory, like its descriptive predecessor, still needs to be improved – and researchers do this by following the same steps that were used in the descriptive stage. Hypothesizing that their statement of causality is correct, they cycle deductively to the bottom of the pyramid to test the causal statement: If we observe these actions being taken, these should be the outcomes that we observe. When they encounter an anomaly, they then delve back into the lower levels of the pyramid. Sometimes they can resolve anomalies by developing more accurate, less ambiguous ways to define and measure the phenomena. Often they account for the anomalies by revisiting the categorization stage. Rather than using schemes based on attributes of the phenomena, however, in building normative theory researchers categorize the different situations or circumstances in which managers might find themselves. They do this by asking, when they encounter an anomaly, “What was it about the situation in which those managers found themselves, that caused the causal mechanism to yield a different result? By asking this question as they cycle up and down the pyramid of normative theory, anomaly-seeking researchers will ultimately define a relatively complete set of the situations or circumstances in which managers
might find themselves when pursuing the outcomes of interest.5 This allows researchers to make
contingent statements of causality – to show how and why the casual mechanism results in a different outcome, in the different situations. A normative theory that is built upon well- researched categories of circumstances can help a manager predict accurately what actions will and will not lead to the desired result, given the circumstance in which she finds herself. The relatively accurate, circumstance-contingent predictability of normative theory enables managers to know, in other words, what they ought to do.6
The history of research into manned flight is a good way to visualize how this transition from descriptive to normative theory occurs, and how it is valuable. During the middle ages, would-be aviators did their equivalent of best-practices research and statistical analysis. They observed the many animals that could fly well, and compared them with animals that could not. The vast majority of the successful fliers had wings with feathers on them; and almost all of those that couldn’t fly had neither of these attributes. This was quintessential descriptive theory. Pesky outliers like ostriches had feathered wings but couldn’t fly; bats had wings without feathers and were very good at it; and flying squirrels had neither and got by. But the R2 was so high that aviators of the time copied the seemingly salient characteristics of the successful fliers in the belief that if they copied the characteristics of the “best practices’ fliers, they could fly, too. So they fabricated wings, glued feathers on them, jumped off cathedral spires, and flapped hard. It never worked. For centuries they sought to fly by trying harder– assuming that the prior aviators had failed because they had bad wing designs; hadn’t bulked up their muscles enough; or hadn’t flapped hard enough. There were substantial disagreements about the categorization scheme, too– which of the birds’ attributes truly enabled flight, and which didn’t. For example, Roger Bacon wrote an influential paper asserting that the differentiating characteristic was birds’ hollow bones (Clegg, 2003). Because man had solid bones, Bacon reasoned, we could never fly. He then proposed several designs of machines that could flap their wings with sufficient power to overcome the disadvantage of solid human bones. But it still never worked. Armed only with the correlative statements of descriptive theory, aviators kept killing themselves.
Then through his careful study of fluid mechanics Daniel Bernoulli identified a shape that we call an airfoil – a shape that, when it cuts through air, creates a mechanism that we call lift. Understanding this causal mechanism, Bernoulli’s Principle, made flight possible. But it was not yet predictable. In the language of this paper, the theory predicted that aviators would fly successfully when they built machines with airfoils to harness lift. But while they sometimes flew successfully, occasionally they did not. Crashes were anomalies that Bernoulli’s theory could not explain. Discovery of these anomalies, however, allowed the researchers to revisit the categorization scheme. But this time, instead of slicing up the world by the attributes of the good and bad fliers, researchers categorized the world by circumstance– asking the question, “What was it about the circumstance that the aviator found himself in that caused the crash?” This then enabled them to improve equipment and techniques and articulate circumstance-contingent statements of causality: “This is how you should normally fly the plane. But when you get in this situation, you need to fly it differently in order to get the desired outcome. And when you get in this other situation, don’t even try to fly. It is impossible.”
When their careful studies of anomalies allowed researchers to identify the set of circumstances in which aviators might find themselves, and then modified the equipment or developed piloting techniques that were appropriate to each circumstance, manned flight became not only possible, but much more predictable. This is how this body of understanding about
human flight transitioned from descriptive to normative theory. It was the discovery of the fundamental causal mechanism that made flight possible. And it was the categorization of the salient circumstances that enabled flight to be made more predictable.
The world of managers is unlikely ever to become perfectly predictable, of course. Managers, like pilots, will likely continue to find themselves in never-before-encountered situations for which adequate rules and equipment have not yet been created. Complicated human factors and group dynamics also militate against perfect predictability. But even here, the work of scholars of group dynamics such as Richard Hackman (198x) has done much to help us understand what behaviors lead to what results and why – and how the result might differ by circumstance.
