基于演化博弈的制造企業研發團隊知識轉移網絡演化

徐建中,朱曉亞,貫 君

(哈爾濱工程大學經濟管理學院,黑龍江哈爾濱150001)

1 引 言

在復雜多變的動態環境下,知識管理已成為現代企業核心競爭力的源泉[1].企業要獲得技術上的先發優勢,必須依靠出眾的信息捕獲能力和知識整合能力[2].研發團隊作為制造企業的知識密集型組織,成員間知識轉移行為是促進其發展與成長的動力,也是對制造企業發展潛力的解讀.因而,保持研發團隊知識轉移的持續穩定性對制造企業發展至關重要.然而知識具有情景依賴性,壟斷性,隱匿性等獨特屬性,這使得知識轉移是個非常復雜的問題,它既不是一般意義上的有形物質轉移,也不同于純粹意義的市場交易[3].因此,針對知識轉移微觀機制的研究既是提升制造企業核心競爭力的關鍵,也是知識管理領域的重點和難點.

目前,關于知識轉移的研究主要包括知識轉移過程機制及其影響因素等.其中知識轉移過程機制的研究以仿真分析,博弈分析及案例研究為主.例如,文獻[4]針對理性決策主體之間的交互影響,運用博弈論方法提出了治理制度結構;文獻[5]在此基礎上做了擴展,運用演化博弈方法,分析了虛擬科技創新團隊知識轉移的條件;文獻[6]則以主從博弈為視角,探索了高新技術企業團隊知識分享的內在微觀機理及其影響機制;文獻[7]通過建立區域創新網絡演化的多主體仿真模型,研究了知識擴散,轉移和創造的演化規律;文獻[8]利用智能仿真方法研究了集群創新網絡的知識轉移過程機制;文獻[9]利用案例研究方法分析了集群網絡的知識轉移過程機制;文獻[10]則在已有仿真技術與案例研究方法基礎上,運用復雜網絡理論和仿真技術分析了東北三省新能源汽車集群創新網絡知識增長績效的演化規律及其影響因素.

知識轉移績效的影響因素研究則以調查研究,統計分析,回歸分析等方法為主.比如,文獻[11]從人的角度出發,利用回歸分析方法研究了知識共享與社會資本,動機,機會,能力等因素的關系;文獻[12]則從要素論與社會網絡論出發,采用元分析技術探究了知識特性,知識受體,知識距離等因素對知識轉移績效的影響;文獻[13]通過對178家中國跨國公司的追蹤調查,采用層級回歸探究了知識轉移效果與制度距離的關系;文獻[14]利用QAP多元回歸方法分析了知識價值性與企業權力對知識轉移的影響;文獻[15]運用負二項回歸模型研究發現,戰略聯盟網絡的地理鄰近性對聯盟知識轉移有顯著的促進作用,而網絡鄰近性對聯盟知識轉移的影響不顯著.

經過文獻梳理發現,目前的研究主要運用經典博弈理論或數值仿真技術分析知識轉移的宏觀行為過程,未考慮現實網絡的拓撲特征與個體異質性;較少研究涉及動態、有限理性和微觀層面等群體行為特性;而且,研究對象主要集中于知識密集型企業,對于制造企業研發團隊知識轉移機制的研究文獻較為缺乏;另外,針對知識轉移影響因素的各個研究相互獨立,結合知識轉移過程各要素與網絡實際情景的綜合分析并不充分.

因此,針對現有研究的局限性,本文從過程角度出發,將制造企業研發團隊知識轉移過程各相關要素納入知識轉移收益函數,構建博弈收益矩陣,利用演化博弈理論探究知識轉移的局部穩定性,在此基礎上,結合現實網絡拓撲結構,運用演化博弈理論,復雜網絡理論與計算機仿真技術,構建制造企業研發團隊知識轉移網絡演化算法,對知識轉移過程進行仿真,從而更貼切地模擬了博弈人的學習行為.主要研究無標度網絡載體下,制造企業研發團隊知識轉移的動態過程中具有什么演化規律?哪些因素對知識轉移演化結果產生影響?產生什么影響?如何控制或調整這些影響因素以提升知識轉移網絡演化深度?從而更深入地揭示了制造企業研發團隊知識轉移的演化規律.

2 制造企業研發團隊知識轉移的博弈模型

2.1 制造企業研發團隊知識轉移收益函數分布

基于張寶生等[5],朱雪春等[16]研究成果及制造企業實際情況,本文將與知識轉移行為相關聯的團隊成員知識聚合效應,知識協同效應,知識轉移成本,組織激勵獎懲機制等因素皆納入知識轉移收益函數中.對于任意團隊成員i和成員j,建立知識轉移收益函數

其中kj表示成員j向成員i轉移的知識量,αikj表示成員i從成員j處成功獲取的知識量,稱為知識轉移直接收益,αi為轉移系數,取決于成員j的知識發送能力,成員i的知識吸收能力及轉移情景等因素,體現知識轉移的效率;ki表示成員i向成員j轉移的知識量,ciki=Ci表示知識轉移成本,即成員i進行知識轉移行為所產生的成本和損失,ci表示知識轉移成本系數;βivi,0kj表示知識聚合收益,成員i將從成員j中獲取的知識和自有知識進行綜合與消化,對原有知識進行一定的優化和改進,可能會創造出少量新知識,產生1+1＞2的效應,βi為疊加系數,取決于成員i對知識的理解,領悟和應用能力,vi,0表示研發團隊成員i的自有知識存量;表示知識協同收益,即成員i與成員j通過不斷交流、配合和反饋等知識轉移行為協同創造出新知識,γi為協同系數,取決于成員i與成員j的創新能力、合作水平和知識互補程度等因素,m與n分別表示成員i與成員j知識轉移量的彈性系數,且m,n＞0,m+n=1;λki表示組織對成員i向成員j轉移的知識的獎勵值,λ為獎勵系數;φi表示對機會主義,搭便車,不合作等行為的懲罰因子,二者統稱為組織激勵獎懲因子.

為方便分析,不失一般性,本文將收益函數簡化為

2.2 制造企業研發團隊知識轉移的博弈矩陣

當研發團隊任意成員i和成員j發生博弈時,不同策略組合下雙方收益不同,具體分析如下.如果成員i和成員j同時采取轉移策略,則成員i的收益為成員j的收益為

如果成員i采取不轉移策略,利用“機會主義”獲取一定收益αikj+βivi,0kj,但同時會受到團隊懲罰φ,此時成員i的收益為Qi=αikj+βivi,0kj?φ,而成員j選擇知識轉移策略的收益為Pj=?cjkj+λkj.

如果成員i采取知識轉移策略,而成員j采取不轉移策略,則成員i的收益受成員j機會主義行為的影響變為Pi=?ciki+λki,而成員j的收益變為Qj=αjki+βjvj,0ki?φ.

如果成員i和成員j都選擇不轉移策略,則成員i和成員j的收益將不受彼此機會主義的影響,分別為Ri=?φ,Rj=?φ.

根據合作決策的動態變化,對制造企業研發團隊中任意成員i和成員j建立知識轉移博弈支付矩陣,如表1所示.

表1 制造企業研發團隊知識轉移博弈收益矩陣Table 1 The Game Payoff Matrix of Knowledge Transfer of R&D Team in Manufacturing Enterprises

假設將制造企業研發團隊看作一個系統,該系統由兩個有差別的群體1和群體2構成,認為群體成員皆是學習速度很慢的有限理性個體.在博弈初級階段,群體1中選擇知識轉移策略的成員比例為x,選擇知識不轉移策略的成員比例為(1?x);群體2中選擇知識轉移策略的成員比例為y,選擇知識不轉移策略的成員比例為(1?y).根據表1所列出的四種策略組合可得成員1選擇知識轉移策略的平均收益為

成員1選擇知識不轉移策略的平均收益為

成員1分別以x和(1?x)的概率選擇知識轉移和知識不轉移策略的平均收益為

可得成員2選擇知識轉移策略的平均收益為

成員2選擇知識不轉移策略的平均收益為

成員2分別以y和(1?y)的概率選擇知識轉移和知識不轉移策略的平均收益為

假定該策略比例的調整速度與其平均收益超過混合策略平均收益的幅度成正比,則關于x,y的微分方程組(動態復制系統)可表示為

2.3 局部穩定性分析

令可得均衡點為(0,0),(0,1),(1,0),(1,1).

系統Jacobi矩陣

根據Jacobi矩陣的局部穩定性分析法對上述五個均衡點進行穩定性分析.由于恒成立,即在0＜x?,y?＜1條件下,(x?,y?)是演化博弈過程中的均衡點,但它們始終不是穩定點,故本文在此僅對(0,0),(0,1),(1,0),(1,1)四個均衡點進行局部穩定性分析.得出結論:當c1k1＞λk1+φ,c2k2＜λk2+φ時,(0,0)為知識轉移系統的演化穩定點;當時,(0,1)為知識轉移系統的演化穩定點;當時,(1,0)為知識轉移系統的演化穩定點;當為知識轉移系統的演化穩定點.具體分析見表2～表5.

由表2～表5可知,知識轉移成本,組織制度,協同收益之間的關系在一定意義上決定系統的最終穩定狀態.當團隊知識轉移激勵懲罰制度與團隊成員間協同收益之和大于知識轉移成本時,系統中選擇知識轉移策略的成員比例會逐漸增大,直至達到團隊內成員均選擇知識轉移策略的理想狀態.但四種情形下,研發團隊知識轉移的具體演化過程及其差異性皆未能呈現;兩個群體的最終收斂狀態只表現出兩種可能(0或1).

單純的演化博弈分析在一定意義上解釋了制造企業研發團隊知識轉移行為的決策機制與知識可持續流動的機理.但其所描述的知識轉移機理及過程過于抽象化,與現實中研發團隊的知識轉移情形差距較大,且其所得結論與現實情況亦不相符.復雜網絡理論指出,在現實中個體間的接觸并非全耦合或者完全隨機的,現實世界中許多系統嵌于社會系統中,具有拓撲統計特征,其演化博弈過程與網絡結構之間有密切的聯系[17],個體間博弈后的占優策略組合可能會隨著實際網絡環境的變化而變化.制造企業研發團隊是在一定的社會經濟背景下,通過團隊成員間互動,協同,競爭和促進等非線性作用機制實現創新觀點和信息在團隊中的轉移擴散,從本質上看,這是一個以復雜網絡為載體的演化過程.因此,下面將結合復雜網絡理論,運用計算機仿真技術及復雜網絡上演化博弈的分析方法研究制造企業研發團隊知識轉移網絡演化規律.

表2 c1k1＞λk1+φ,c2k2＜λk2+φ時局部穩定性的解Table 2 The solutions of local stability when c1k1＞ λk1+φ,c2k2＜ λk2+φ

表3 時時局部穩定性的解Table 3 The solutions of local stability when

表3 時時局部穩定性的解Table 3 The solutions of local stability when

(x,y) DetJ TrJ 結果(0,0) ? 不確定 鞍點(0,1)+?ESS(1,0) + + 不穩定點(1,1) ? 不確定 鞍點(x?,y?) 不確定 0 鞍點

表4 時時局部穩定性的解Table 4 The solutions of local stability when

表4 時時局部穩定性的解Table 4 The solutions of local stability when

(x,y) DetJ TrJ 結果(0,0) ? 不確定 鞍點(0,1) + + 不穩定點(1,0)+?ESS(1,1) ? 不確定 鞍點(x?,y?) 不確定 0 鞍點

表5 時時局部穩定性的解Table 5 The solutions of local stability when

表5 時時局部穩定性的解Table 5 The solutions of local stability when

(x,y) DetJ TrJ 結果(0,0) 不確定 不確定 鞍點(0,1) 不確定 不確定 不穩定點(1,0) 不確定 不確定 不穩定點(1,1)+?ESS(x?,y?) ? 0 鞍點

3 無標度網絡上演化博弈仿真實驗

3.1 制造企業研發團隊知識轉移網絡結構設定

在制造企業研發團隊中,存在多個研究小組,每個小組負責不同的任務,團隊領導者與每個小組間均存在信息流通,小組組長承擔著與組內成員,團隊領導者及其他小組間的信息溝通和知識交流的工作,對團隊運作起著主導作用,而成員則在組內信息交流頻繁,組間知識流動相對較少.即制造企業研發團隊所形成的知識轉移網絡中少數節點擁有大量連接,而大部分節點只有少數連接,具有嚴重異質性[18].同時,在制造企業研發團隊中,各成員傾向于與知識存量上占據優勢,知識素養較好的成員進行交流,即該知識網絡中度分布符合冪律分布(p(k)～k?λ)[18,19].此外,已有國內外研究表明,現實網絡具有無標度特性[20,21].因此,以無標度網絡為載體研究制造企業研發團隊知識轉移過程更具有現實意義.本文將網絡規模分別設定為50,200,500,利用MATLAB軟件仿真分析不同網絡規模下的團隊知識轉移過程,圖1、圖2和圖3分別為演化初期隨機生成的不同規模無標度網絡的二位效果圖,圖中的節點表示團隊成員,連線表示雙方成員之間存在直接關系.

3.2 制造企業研發團隊知識轉移網絡的前提假設

假設1假定制造企業研發團隊知識轉移網絡是一個具有異質性的復雜網絡G(V,E),其中V表示知識轉移網絡中所有節點的集合,代表團隊成員,E表示所有邊的集合,E={eij},eij=1表示節點i和j之間存在直接關系,eij=0表示二者之間不存在直接關系.

圖1 50個節點的無標度網絡Fig.1 Scale-free network of 50 nodes

圖2 200個節點的無標度網絡Fig.2 Scale-free network of 200 nodes

圖3 500個節點的無標度網絡Fig.3 Scale-free network of 500 nodes

假設2制造企業研發團隊內異質性主體是有限理性的,團隊成員是否進行知識轉移取決于預期收益的大小.

假設3根據霍曼斯社會交換理論中社會交換參與者對成本與報酬比率是否公平的主觀判斷標準,制造企業研發團隊成員在選擇博弈對手進行博弈時,范圍r限定在鄰域內,即博弈半徑r=1.

假設4制造企業研發團隊所有成員采用同一策略更新規則,且記憶長度為1,即團隊成員的策略選擇僅取決于上一次的博弈結果.

3.3 制造企業研發團隊知識轉移網絡演化規則

在每一個演化周期,研發團隊成員根據此時所處的四種不同收益情景,與其鄰域內所有個體進行博弈,每個博弈方的收益為與其每個鄰居進行博弈所得收益的累加.

在網絡上的演化博弈中,個體策略的更新規則是以個體的學習機制來表示的[22].目前微觀層面上的學習機制有模仿收益最大的鄰居策略[23,24]、按概率選擇優勝鄰居的策略[25]、配對比較[26?32]和基于Moran過程的自然選擇規則[33,34].根據制造企業實際情況與仿真工具的可實現性,本文選擇配對比較學習機制.依據費米規則,個體i隨機選擇一個鄰居j進行收益比較,若個體j本輪收益高于個體i自身收益,則以一定的概率在下一輪中模仿對方的策略,這種模仿概率一般表示為[35]

其中si,sj分別表示個體i,j本輪所采取策略,Ui,Uj分別表示個體i,j的本輪收益,k表示系統的噪聲大小(k＞0).若k→0,則任何外界因素不會對個體策略更新造成干擾.

根據復雜網絡理論,節點i以概率P選擇學習策略后,將以概率ω隨機地與網絡中的其他節點進行斷邊重連.由于節點對知識轉移對象的選擇具有有限理性,本文利用帶有偏好的重連機制[35]并參考文獻[36]確定節點i的出連接j,概率ω表示為

其中α表示偏好傾向,α=0表示網絡個體間連接無任何偏好傾向,α越大表示偏好傾向越明顯.本文α取1作為仿真實驗參數值.

制造企業研發團隊知識轉移網絡中所有節點按照以上規則進行策略學習與調整,策略分布將逐漸趨于穩定狀態,實現創新知識在組織內部的擴散.

3.4 基于無標度網絡上演化博弈的仿真

1)仿真步驟

步驟1t←0,初始化給定一個制造企業研發團隊知識轉移網絡G(V,E),將博弈過程中的策略隨機分配給網絡中的節點,并設定參數值;

步驟2t←1,進行一次博弈;

步驟3t←2,網絡中節點隨機選擇鄰居節點進行收益比較,若收益大于或等于鄰居收益,則在下一輪博弈中不改變策略;否則,以概率Psi→sj(式(14))進行模仿,此時若策略相同轉入步驟4;

步驟4t←3,根據網絡所具有的偏好機制(式(15)),進行斷邊重連;

步驟5t←4,轉步驟2,直至達到預定時間步長結束.

2)制造企業研發團隊知識轉移網絡演化測度

從組織總體來看,知識轉移的根本目的在于實現知識在團隊中的充分共享與流通,使個體知識轉化為群體知識,在團隊中形成良好的交流氛圍,促進團隊成員之間相互競爭并共同進步,因此本文選用知識轉移網絡演化深度作為測度指標.為獲得穩定的仿真結果,每組參數測試100次,取團隊知識轉移網絡演化測度指標的平均值.

為體現團隊成員個體異質性,將研發團隊成員分為兩個群體,群體1和群體2,結合演化博弈分析的初步結論與文獻[36,37],設置參數vi,0=10,ki=10,αi=0.3,βi=0.02;ci,γi,λ,φ取值見表 6,其中i=1,2.仿真結果見圖4～圖6.

表6 制造企業研發團隊知識轉移網絡演化仿真參數設置Table 6 The simulation parameters of knowledge transfer network evolution of R&D team in manufacturing enterprises

觀察圖4,在50個節點的無標度網絡中,當研發團隊所有成員選擇知識轉移策略的獎勵與選擇知識不轉移策略的懲罰之和小于知識轉移成本,即團隊知識轉移行為不能得到組織制度補償時,最終演化深度收斂于0(見圖4中演化曲線D1),所有成員均選擇知識不轉移策略,團隊知識流動趨于停滯.當組織激勵獎懲之和大于轉移成本,而部分團隊成員由于協同創新能力過低而使得其協同收益與組織獎懲之和小于轉移成本時,選擇知識轉移行為具有一定風險,但由于博弈方的有限理性,其首先能感知到的是組織制度傾向,且受流行性壓力與社會規范影響,選擇知識轉移行為的概率更大,最終網絡演化深度達100%穩態(見圖4中演化曲線D2).當研發團隊組織激勵獎懲制度與成員協同創新水平均較高,即組織激勵獎懲及其與團隊成員協同收益之和均大于知識轉移成本時,知識轉移網絡能夠迅速演化至100%穩態(見圖4中演化曲線D3).當組織激勵獎懲之和小于轉移成本,而其與知識協同收益之和大于轉移成本時,知識轉移網絡最終仍能演化至100%穩態(見圖4中演化曲線D4).該情形下,盡管組織激勵獎懲制度不健全,但團隊中所有成員知識協同能力均較高,能夠補償知識轉移成本使團隊成員得到額外凈收益.

觀察圖5和圖6中以200個節點和500個節點無標度網絡為載體的制造企業研發團隊知識轉移網絡演化結果可知,與50個節點無標度網絡演化結果相似.不同的是,當研發團隊組織激勵獎懲制度較完善,而部分成員由于知識協同創新能力過低致使組織激勵獎懲與知識協同收益之和小于知識轉移成本時,知識轉移網絡的演化深度最終收斂于一個大于0小于1的常數,且網絡規模越大,該常數值越小(見圖5,圖6中演化曲線D2).出現這種現象的原因可能是在大規模無標度網絡中,鄰居節點相對較多,且節點分布的不均勻性與異質性更加顯著,節點隨機選擇鄰居節點進行收益比較與策略模仿學習的過程更為復雜.在策略選擇時,網絡成員隨機選擇一個鄰居成員進行收益比較,若該鄰居恰好選擇了知識轉移策略且有ciki＜λki+φ+γikm1kn2,則該成員選擇該鄰居策略的概率較大,若該鄰居選擇了知識轉移策略但有ciki＞λki+φ+γikm1kn2,則該成員選擇知識不轉移策略的概率更大.經過一段時間的策略演化,對于c1k1＜λk1+φ+γ1km1kn2的成員最終選擇知識轉移策略的概率更大,對于c2k2＞λk2+φ+γ2km1kn2的成員最終選擇知識不轉移策略的概率更大,因此以大規模無標度網絡為載體的知識轉移最終演化至一個大于0小于1的常數,且規模越大越接近群體1與群體2中成員數之比.

從圖4～圖6中相同參數設置不同網絡規模的演化仿真結果看,除D2最終演化穩態不盡相同外,其余參數設置下的最終知識轉移演化深度一致,即在無標度網路載體下,網絡規模對演化深度影響不大.經對比演化曲線發現,規模為50的知識轉移網絡在博弈5至15次時基本達到穩定狀態,規模為200與500的知識轉移網絡在博弈至60時才基本達到穩定狀態,由此可見,網絡規模越大,知識轉移演化速度越慢.這可能是由于在小規模網絡中節點度相對較小,信息傳遞效率高,而大規模網絡中節點間進行博弈,收益對比與策略學習的過程更為復雜,信息傳遞效率較低.

圖4 50個節點知識轉移網絡的演化結果Fig.4 The evolution of knowledge transfer network of 50 nodes

圖5 200個節點知識轉移網絡的演化結果Fig.5 The evolution of knowledge transfer network of 200 nodes

圖6 500個節點知識轉移網絡的演化結果Fig.6 The evolution of knowledge transfer network of 500 nodes

3)知識轉移系數對知識轉移網絡演化影響分析

以制造企業研發團隊知識轉移網絡演化測度分析中演化深度為0的情景為基礎,設置參數vi,0=10,ki=10,γi=0.1,c1=0.6,c2=0.7,λ=0.1,φ=2,知識聚合系數βi,i=1,2取0.02,知識轉移系數αi,i=1,2依次取值0.3,0.5,0.7,0.9,分別用D1,D2,D3,D4表示,結果見圖7～圖9.

4)知識聚合系數對知識轉移網絡演化影響分析

在制造企業研發團隊知識轉移網絡演化測度分析中演化深度為0的情景參數設置基礎上,知識轉移系數αi,i=1,2取0.3,知識聚合系數βi,i=1,2依次取值0.02,0.04,0.06,0.08,分別用D1,D2,D3,D4表示,結果見圖10～圖12.

圖7 50個節點無標度網絡中知識轉移系數對演化結果的影響Fig.7 The effect of knowledge transfer coefficient on the evolution of scale-free network of 50 nodes

圖8 200個節點無標度網絡中知識轉移系數對演化結果的影響Fig.8 The effect of knowledge transfer coefficient on the evolution of scale-free network of 200 nodes

圖9 500個節點無標度網絡中知識轉移系數對演化結果的影響Fig.9 The effect of knowledge transfer coefficient on the evolution of scale-free network of 500 nodes

圖10 50個節點無標度網絡中聚合系數對演化結果的影響Fig.10 The effect of aggregation coefficient on the evolution of scale-free network of 50 nodes

觀察圖10～圖12可知,在50,200,500個節點的無標度網絡中,當知識聚合系數βi,i=1,2取0.02,0.04時,知識轉移網絡最終均演化至穩態0,當知識聚合系數βi,i=1,2增加至0.08時,知識轉移網絡演化穩態均達到100%.不同的是,當知識聚合系數βi,i=1,2取0.06時,在50個節點的網絡中,演化穩態達到100%;在200個節點的網絡中,演化穩態收斂于小于1的常數;在500個節點的網絡中,演化穩態為0.這說明只有增大知識聚合系數βi,i=1,2至一定值時才能顯著促進演化深度的提高,且小規模網絡對βi,i=1,2變化的反應相對中大規模網絡更敏感.

圖11 200個節點無標度網絡中聚合系數對演化結果的影響Fig.11 The effect of aggregation coefficient on the evolution of scale-free network of 200 nodes

圖12 500個節點無標度網絡中聚合系數對演化結果的影響Fig.12 The effect of aggregation coefficient on the evolution of scale-free network of 500 nodes

4 結束語

本文基于知識轉移收益視角構建了制造企業研發團隊知識轉移博弈模型.作為對比實驗,首先運用演化博弈理論建立了復制動態模型,對知識轉移演化路徑進行了局部穩定性分析;然后結合復雜網絡理論與演化博弈理論,利用MATLAB仿真技術實現了博弈模型的仿真分析,揭示了制造企業研發團隊知識轉移行為網絡式擴散的微觀機制及知識轉移成本,知識協同收益,組織激勵獎懲制度,知識轉移直接收益,知識聚合收益等重要因素對知識轉移網絡演化深度和速度的影響.對比實驗規則與結果可知,演化博弈分析方法雖然在一定程度上模擬了現實中的知識轉移情形,但所構建模型過于理想化,未考慮博弈環境復雜性等影響因素,不能很好地把握實際情形;而復雜網絡上演化博弈分析方法更能影射現實情景,其研究結論更具有分析與參考價值.研究結論:1)制造企業研發團隊知識轉移網絡演化深度對知識轉移成本,知識協同收益與組織激勵獎懲制度之間關系的變化較敏感;且網絡規模越大,知識轉移網絡演化深度收斂于穩定狀態的速度越慢.2)知識轉移直接收益與知識聚合收益對制造企業研發團隊知識轉移網絡演化深度與速度有一定影響,但作用不大;僅當知識轉移系數與知識聚合系數增大到一定值時才能顯著提高網絡演化深度.

因此,為提高制造企業競爭優勢,實現制造企業研發團隊知識轉移行為網絡式擴散的有效運行,組織決策者可以從以下幾個方面著手:尊重團隊成員的自有知識,保護團隊成員的知識產權,將團隊成員在知識交流活動中的表現納入績效考核指標體系,建立完善的知識轉移激勵獎懲制度,以提高研發團隊成員進行知識轉移的動力;建立多種知識轉移平臺與渠道,疏通團隊成員知識流動的途徑,以降低知識轉移成本;引入背景相似而知識差異化的員工,保持團隊知識異質性,優化研發團隊知識結構,同時加強對團隊成員專業知識,社交與團隊協作技能培訓,從而提高團隊知識協同與聚合效益;根據團隊成員不同知識背景與崗位指導其制定科學的知識協同收益期望值,以避免因期望太高而降低知識轉移愿望,或因期望太低而不能有效利用知識交流機會;加強對團隊成員知識接收與發送能力的培養,以提高團隊成員知識轉移直接收益;同時,合理配置組織機構,將團隊知識轉移網絡規模控制在恰當范圍內,以保證研發團隊知識轉移網絡的靈活便捷性與信息傳遞準確性.

[1]程 聰,謝洪明,楊英楠,等.理性還是情感:動態競爭中企業“攻擊–回應”競爭行為的身份域效應:基于AMC模型的視角.管理世界,2015(8):132–188.Cheng C,Xie H M,Yang Y N,et al.Rationality and emotion:The identity domain effect of“attack–response”competetive behavior of enterprises in dynamic competition environment:Based on AMC model.Management World,2015(8):132–188.(in Chinese)

[2]潘 星,王 君.一種基于屬性的知識地圖漸進式增量模型.系統工程學報,2012,27(2):169–176.Pan X,Wang J.Incremental incremental model of knowledge map based on attribute.Journal of Systems Engineering,2012,27(2):169–176.(in Chinese)

[3]Wang S,Noe R A.Knowledge sharing:A review and directions for future research.Human Resource Management Review,2010,20:115–131.

[4]Soekijad M.Condition for knowledge sharing in competitive alliances.European Management Journal,2004,21(5):578–587．

[5]張寶生,王曉紅.虛擬科技創新團隊知識轉移穩定性研究:基于演化博弈視角.運籌與管理,2011,20(5):169–175.Zhang B S,Wang X H.Research on the stability of knowledge transfer in virtual science and technology innovation team:Based on evolutionary game theory.Operations Research and Management Science,2011,20(5):169–175.(in Chinese)

[6]吳丙山,趙 驊,羅 軍.高新技術企業中知識分享微觀機制研究.科研管理,2012,33(3):65–71.Wu B S,Zhao H,Luo J.Research on the micro mechanism of knowledge sharing in high tech enterprises.Science Research Management,2012,33(3):65–71.(in Chinese)

[7]呂一博,程 露,蘇敬勤.知識搜索行為與區域創新網絡演化.系統工程學報,2014,29(6):725–753.LüY B,Cheng L,Su J Q.Knowledge search behavior and the evolution of regional innovation network.Journal of Systems Engineering,2014,29(6):725–753.(in Chinese)

[8]Wang X.Forming mechanisms and structures of a knowledge transfer network:Theoretical and simulation research.Journal of Knowledge Management,2013,17(2):278–289.

[9]Blumenberg S,Wagner H,Beimborn D.Knowledge transfer processes in IT outsourcing relationships and their impact on shared knowledge and outsourcing performance.International Journal of Information Management,2009,29(5):342–352.

[10]周 文,陳 偉,郎益夫.集群創新網絡知識動態增長研究:基于過程視角.系統工程學報,2015,30(4):431–441.Zhou W,Chen W,Lang Y F.Research on knowledge dynamic growth of cluster innovation network:Based on the perspective of process.Journal of Systems Engineering,2015,30(4):431–441.(in Chinese)

[11]Chen C W,Chang M L,Tseng C P.Human factors of knowledge-sharing intention among taiwanese enterprises:A model of hypotheses.Human Factors and Ergonomics in Manufacturing ＆Service Industries,2012,22(4):362–371.

[12]李靖華,常曉然.基于元分析的知識轉移影響因素研究.科學學研究,2013,31(3):394–406.Li J H,Chang X R.Research on the influencing factors of knowledge transfer based on meta-analysis.Studies in Science of Science,2013,31(3):394–406.(in Chinese)

[13]陳懷超,范建紅,牛沖槐.制度距離對中國跨國公司知識轉移效果的影響研究:國際經驗和社會資本的調節效應.科學學研究,2014,32(4):593–603.Chen H C,Fan J H,Niu C H.Research on the effect of institutional distance on knowledge transfer in Chinese Transnational Corporations:The moderating effect of international experience and social capital.Studies in Science of Science,2014,32(4):593–603.(in Chinese)

[14]劉 立,黨興華.知識價值性,企業權力對知識轉移的影響研究.科研管理,2015,36(12):39–46.Liu L,Dang X H.Research on the influence of the knowledge value,the power of the enterprise on the knowledge transfer.Science Research Management,2015,36(12):39–46.(in Chinese)

[15]趙 炎,王 琦,鄭向杰.網絡鄰近性,地理鄰近性對知識轉移績效的影響.科研管理,2016,37(1):128–136.Zhao Y,Wang Q,Zheng X J.The influence of network proximity and geographical proximity on the performance of knowledge transfer.Science Research Management,2016,37(1):128–136.(in Chinese)

[16]朱雪春,陳萬明.實踐社群知識流動的可持續性研究:基于進化博弈的視角.北京理工大學學報,2015,17(5):56–62.Zhu X C,Chen W M.Research on the sustainability of knowledge flow in practical communities:A perspective of evolutionary game theory.Journal of Beijing Institute of Technology,2015,17(5):56–62.(in Chinese)

[17]Small M,Judd K,Zhang L.How is that complex network complex//Proceedings of 2014 IEEE International Symposium on Circuits and Systems.Melbourne,Australia,2014:1263–1266.

[18]Bárabasi A L,Albert R.Emergence of scaling in random networks.Science,1999,286(5439):509–512.

[19]胡海波,王 林.冪律分布研究簡史.物理,2005,34(12):7.Hu H B,Wang L.A brief history of research on power-law distribution.Physics,2005,34(12):7.(in Chinese)

[20]朱 亮,韓定定.動態復雜網絡的同步拓撲演化.計算機應用,2012,32(2):330–334.Zhu L,Han D D.Synchronous topology evolution of dynamic complex networks.Journal of Computer Applications,2012,32(2):330–334.(in Chinese)

[21]Choi J,Sang-Hyun A,Cha M S.The effects of network characteristics on performance of innovation clusters.Expert Systems with Applications,2013,40(11):4511–4518.

[22]王先甲,全 吉,劉偉兵.有限理性下的演化博弈與合作機制研究.系統工程理論與實踐,2011,31(1):82–93.Wang X J,Quan J,Liu W B.Research on evolutionary game and cooperation mechanism under bounded rationality.System Engineering:Theory&Practice,2011,31(1):82–93.(in Chinese)

[23]Abrarnson G,Kuperman M.Social games in a social network.Physical Review E,2001,63(3):030901.

[24]Masuda N,Aibara K.Spatial prisoner’s dilemma optimally played in small-world network.Physics letters A,2003,313(1/2):55–61.

[25]Hauert C,Doebeli M.Spatial structure often inhibits the evolution of cooperation in the snowdrift game.Nature,2004,428(6983):643–646.

[26]Santos F C,Pacheco J M.Scale-free networks provide a unifying framework for the emergence of cooperation.Physical Review Letters,2005,95(9):098104.

[27]Santos F C, Pacheco J M, Lenaerts T. Evolutionary dynamics of social dilemmas in structural heterogeneous populations. Proceedingsof the National Academy of Sciences of the United States of America, 2006, 103(9): 3490–3494.

[28]Perc M,Szolnoki A.Social diversity and promotion of cooperation in the spatial prisoner’s dilemma games.Physical Review E,2008,77(1):011904.

[29]Devlin S,Treloar T.Cooperation in an evolutionary prisoner’s dilemma on networks with degree-degree correlations.Physical Review E,2009,80(2):026105.

[30]Devlin S,Treloar T.Evolution of cooperation through the heterogeneity of random networks.Physical Review E,2009,79(1):016107.

[31]Roca C P,Cuesta J A,Sanchaz A.Effect of spatial structure on the evolution of cooperation.Physical Review E,2009,80(4):046106.

[32]Assenza S,Gomez-Gardenes J,Latora V.Enhancement of cooperation in highly clustered scale-free networks.Physical Review E,2008,78(1):017101.

[33]Lieberman E,Hauert C,Nowak M A.Evolutionary dynamics on graphs.Nature,2005,433(7023):312–316.

[34]Ohtsuki H,Hauert C,Lieberman E,et al.A simple rule for the evolution of cooperation on graphs and social networks.Nature,2006,441(7092):502–505.

[35]汪小帆,李 翔,陳關榮.網絡科學導論.北京:高等教育出版社,2012:295–366.Wang X F,Li X,Chen G R.An Introduction to Network Science.Beijing:Higher Education Press,2012:295–366.(in Chinese)

[36]曹 霞,張路蓬.基于利益分配的創新網絡合作密度演化研究.系統工程學報,2016,31(1):1–12.Cao X,Zhang L P.Research on the evolution of the innovation network’s cooperation density based on the benefit distribution.Journal of Systems Engineering,,2016,31(1):1–12.(in Chinese)

[37]錢 成,曹進德,楊夏竹.基于社會影響模型的觀點演化規律研究.系統工程學報,2010,25(6):755–772.Qian C,Cao J D,Yang X Z.Opinion evolution analysis based on social impact model.Journal of Systems Engineering,2010,25(6):755–772.(in Chinese)