基于学习的知识转移改进模型及其在国家电力智能调度支持系统开发管理中的应用

闫华锋

摘要：提出了一种基于学习的知识转移改进模型。以国家电力智能调度支持系统的开发管理为例，详细阐述了该系统的建设背景、研发过程以及IMKT-L模型在其知识转移过程中的应用分析。通过知识转移效率比较，表明了IMKT-L模型能有效降低知识在转移过程中的损失。

关键词：智能学习；知识转移；智能调度支持系统

中图分类号：C93-03；F273文献标识码：A文章编号：1001-8409（2014）09-0129-05

Improved Model of Knowledge Transfer Based on Learning

and Application of State Power Intelligent Scheduling

Support System Development Management

YAN Huafeng

（School of Economics and Management， Southeast University， Nanjing 210013；

State Grid Electric Power Research Institute， Nanjing 210003）

Abstract： Improved model of knowledge transfer based on learning was present. Meanwhile， in the case of state power smart scheduling support system which was a complex competitive system， this paper elaborated its construction backgrounds， development process and application analysis of IMKTL in the knowledge transfer process in detail. Comparative analysis on knowledge transfer efficiency show that IMKTL could effectively reduce knowledge loss in knowledge transfer process.

Key words： intelligent learning； knowledge transfer； intelligent scheduling support system

1引言

随着我国电网的快速发展和特高压电网建设的稳步推进，电网运行的复杂程度和难度越来越大，对技术手段和人员的要求越来越高。因此，加强公司电网调度能力建设，全面提升调度系统驾驭大电网和进行资源优化配置的能力、提高电网调度运行管理水平显得愈加重要和迫切[1]。

电力智能调度支持系统将以往独立建设的能量管理系统、广域向量测量系统、电能量计量系统等十余套应用系统集成整合为由一个平台和四大类应用的一体化系统[2]。鉴于电力智能调度支持系统的复杂性，其开发设计和实施涉及众多研发设计和实施单位以及众多信息系统的集成，各自采用不同的设计理念、方法和标准，严重阻碍了该系统的顺利设计研发和整体信息流的畅通，也难以采集各参与单位之所长。因此，高效管理电力智能调度支持系统项目势必会成为该系统研发的重要环节，而其中相关知识转移又是项目管理过程中的重点和难点所在。

知识转移是指建立起技能传授、学习和知识管理的体系，将战略设计、组织和绩效设计、管理流程设计、系统流程设计等各方面知识在员工中进行贯彻，让大家对相关知识消化吸收，保证系统的运行。本文以传统的知识转移过程模型为基础，结合智能学习的理念，提出了一种基于学习的知识转移改进模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L），并以电力智能调度支持系统为例分析整个知识转移的过程。

本文的主要研究内容包括：① 以传统的知识转移过程模型为基础，结合智能学习的理念，提出一种基于学习的知识转移改进模型；②结合电力智能调度支持系统设计开发和实施过程，以IMKT-L模型为指导，详细阐述和分析在整个系统运作过程中知识转移的详细过程。

2基于学习的知识转移改进模型

2.1知识转移概述

知识转移的思想是1977年美国学者Teece首次提出的[3]。Huber指出知识转移与共享密切相关，却又各不相同，知识共享只是知识转移其中的一个环节，其未必可以理解和应用知识[4]。Argote l等从知识转移效益的角度，认为其是一个主体对其他主体的影响过程，强调知识是从专家向着无经验者方向进行单向转移[5]。

国内外众多学者对知识转移的相关理论、方法及其应用开展了详细的研究。Szulanski提出了由初始、执行、实施和整合等四个阶段组成的四阶段模型[6]。Jeffrey等提出了包括知识源、知识受体、转移的知识及转移情境等四要素的模型[7]。Nonaka等在其所提出的SECI模型中分析了知识转移的四种模式，即社会化、外部化、联合化及内在化等四种模式[8]。罗艳玲通过比较传统知识转移的各种模型，分析了现有各类知识转移模型的缺陷，提出了知识转移优化模型[9]。王君等提出了一种基于 Multi-Agent的组织内知识转移模型，详细描述了该模型中实现知识转移的关键技术和搜索算法，依据该模型可有利于提高知识管理的有效性[10]。Denis Helic等将知识转移的理念引入到网络环境下各类知识的获取、存储、构造以及转移中来，通过比较分析了基于知识转移的WBT系统与现有WBT系统的区别[11]。同时，为了体现知识转移在信息系统开发中的优势，刘莹等结合ERP、CRM及SCM的实施，提出了基于ERP、CRM与SCM 整合系统的知识转移模型[12]。张俊等依据知识转移的理论，从开发团队的组织、知识转移的模型和知识转移方式三个方面，对重型开发方法与轻型开发方法进行了知识转移的比较分析[13]。

2.2基于学习的知识转移改进模型描述

2.2.1传统的知识转移模型

知识转移模型众多，其中过程模型是知识转移中重要的一种模型。何永刚详细描述了整个过程模型的概念[14]。过程模型是将整个知识转移看成一个过程并分为不同的阶段，具有代表性的是知识螺旋模型、四阶段模型等。

Nonaka等提出的知识螺旋（SECI）模型，把整个知识创造活动分为社会化、外在化、整合化、内在化四种模式，其中从隐性知识到显性知识是知识创造活动中的关键阶段[8]。知识在组织中不断向上升，从个体到团队，最后上升至组织，这个过程不断循环往复，促使组织知识不断扩充（见图1）。

Szulanski提出了包括初始阶段、实施阶段、调整阶段及整合阶段等知识转移四阶段模型[6]。其中初始阶段主要是组织或个人发现知识不足并识别满足要求的知识，做出知识转移的决策，其目标就是为知识转移决策提供相应的决策依据；实施阶段主要是双方建立起适合知识转移需求的渠道，同时对待转移的知识进行调整以适应接收方的需要；调整阶段主要是接收方对发送方转移的知识进行相应调整，以适应接收方新的需求；整合阶段主要是接收方开始使用获得的知识，形成相应规则和制度，使所转移知识成为接收方自身知识的一部分（见图2）。

2.2.2基于学习的知识转移改进模型

由图2可知，传统的知识转移过程模型从初始阶段到最后的整合阶段都是一种学习的过程，但是整个学习的过程属于主观的，不利于在信息系统开发过程中实现自动化和智能化。为此，本文在传统的知识转移模型基础上，提出基于学习的知识转移改进模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L）。在该模型中，基于智能学习的理念对每一个阶段的内容进行优化和内在挖掘，使得每一个阶段的研究内容更加智能化和客观。整个IMKT-L原理描述如下：

（1）接收方在开发信息系统时，首先要开展需求和相关技术调研。

（2）根据信息系统的总体设计目标，利用人工智能算法分析相关调研结果与总体设计目标之间的误差，把所有的误差作为属性或者参数，基于数据挖掘提炼出知识规则。

（3）实施阶段，建立影响接收和发送双方的知识转移渠道的参数模型，以待转移的知识为输入或研究对象，通过学习算法来优化转移情景渠道，使得优化后的知识转移情景渠道能最大化满足发送方和接收方的需求。

（4）调整阶段，以接收方对发送方转移的知识属性为输入，以接收方新需求为输出， 基于学习算法对输入参数进行优化，以期更好地满足接收方新的需求。

（5）整合阶段，以接收方接收到的所有知识为输入，为了更好地满足接收方自身的需要，需要从接收到的知识信息中基于增量式学习算法挖掘出相应的知识规则，建立相应的专家知识库，便于后期相应人员使用。

整个模型如图3所示。为了更好地评价整个基于学习的知识转移改进模型的效率，本文给出了知识转移效率的概念。

定义1：知识转移效率（Knowledge Transfer Efficiency， KTF） 设初始知识集合KI=，其中RK表示需求分析阶段所包含的知识数目，DK表示系统设计开发阶段所包含的知识数目，TK表示系统测试阶段所包含的知识数目，MK表示系统建设期间管理所包含的知识数目。设经过知识转移后的最终知识集合KF=，其中R′K、D′K、T′K、M′K分别表示需求分析、系统设计开发、系统测试和管理在知识转移后所包含的知识数目。则知识转移效率KTF=（R′K+D′K+T′K+M′K）-（RK+DK+TK+MK）（RK+DK+TK+MK）。

由定义1可以看出，当KTF→0，表示整个知识转移过程中知识损失越小；当KTF>0，表示系统建设中原始知识在经过IMKT-L模型后，通过知识融合，在原有知识基础上，形成了新的满足知识接收方的新知识；当KTF<0，表示系统建设中原始知识在经过IMKT-L模型后，知识有所损失。

3知识转移改进模型在国家电力智能调度支持系统开发管理中的应用

3.1电力智能调度支持系统建设背景及研发管理过程

电力智能调度技术支持系统是电网运行控制和调度生产管理的重要技术支撑手段，由基础平台和实时监控与预警、调度计划、安全校核、调度管理等四大类应用组成，其研发过程主要包括系统需求分析和概念设计、详细设计、任务分解和分包、模块开发和系统集成以及系统交付使用与跟踪服务等几个方面。

首先获取各级调度技术支持系统用户的需求，并对需求进行分析、整理。然后进行系统总体设计和建设框架工作，总体设计对系统体系架构进行了设计，确定了四大类应用各功能模块的组成以及系统内部各种数据逻辑关系，并进行性能和指标设计。建设框架明确了建设原则、建设目标、总体思路，为后续功能规范制定、系统详细设计、研发和试点建设提供了科学依据。详细设计就是在概念设计的基础上，对系统中每个模块给出足够详细的过程描述。电力智能调度技术支持系统由一系列功能模块组成，合理安排这些功能模块的研发并保证其按时完成，才能保证整个系统建设进度能够如期完成。在系统交付使用后，及时对相关系统使用人员进行操作培训和维护培训，并提供系统正常运行后的常规维护和功能扩充开发工作。

3.2知识转移分析

3.2.1电力智能调度支持系统中基于学习的知识转移改进模型

电力智能调度技术支持系统是一个庞大复杂的系统，为了融合各方优势，更好更快地研发该系统，整个项目组设立了领导小组、平台开发组、应用规范组、秘书组和专家咨询组，组织开展项目的研究、开发和试点。各个小组之间职能分工明确，但由于项目之间牵涉到众多业务系统的集成和整合，需要不同专业的领域知识配合。在整个系统研发过程中，需要在各个小组之间对各个方面的专业知识进行有效的转移，便于各个小组从总体上能对整个项目有宏观的把握。

本文利用基于学习的知识转移改进模型（IMKT-L），来分析整个电力智能调度支持系统中各类知识的转移分析过程。整个步骤如下：

（1）为了更好地利用IMKT-L模型，通过访谈、调研等手段，确定电力智能调度支持系统设计开发过程中各个项目小组涉及到的电力、计算机、自动化等各类相关知识和电力调度需求；分析总结出各个项目小组之间知识共享和传播的渠道；明确整个系统开发的总体目标。

（2）在IMKT-L模型的初始阶段，利用聚类算法挖掘出电力智能调度支持系统设计总体目标与已有知识和需求之间的差距，把所有的误差作为关联规则算法的参数，挖掘出相关的知识规则，以此作为下一步进行知识转移的决策依据。

（3）针对电力智能调度支持系统知识转移实施阶段的各类渠道进行建模，建立各类知识转移渠道的知识转移效率表，然后基于学习算法优化该知识转移效率表，使得各类渠道转移相关知识的性能最优化。

（4）基于相关学习算法对相关知识属性进行优化，便于满足系统设计开发各个项目小组的新需求。

（5）根据本系统开发过程中所有的知识，基于增量式规则挖掘算法，挖掘出相应的知识规则，并建立电力智能调度支持系统专家知识库。

（6）根据计算知识转移效率KTF的大小，判断整个知识转移过程中知识的损失，以此作为调整IMKT-L模型中各个阶段优化参数的依据。

通过上述六个步骤，可以使电力智能调度支持系统在整个调研、设计及开发过程中，各个项目小组之间的领域知识转移沟通更加优化和科学，同时可保证整个系统可以更好更快地研发。

其中步骤（2）中的聚类算法采用K-Means聚类，对电力智能调度支持系统设计总体目标进行聚类，并计算各类到聚类中心的距离误差。具体流程如算法1所示。

算法1： 基于K-Means的目标与需求误差挖掘

Input：已有需求的量化值

Output：目标量化值与需求量化值之间的误差

Begin {

1. 对现有的电力智能调度支持系统的需求和总体设计目标进行量化，得到需求量化序列样本集合Rp×m=R11，R12，...，R1m

…………

Rp1，Rp2，…，Rpm和总体设计目标量化样本集合Tn×m=T11，T12，…，T1m

…………

Tn1，Tn2，…，Tnm。

2. 根据经验值，从需求序列样本集合Rp×m随机选择K个样本作为聚类中心。

3. 对于总体设计目标量化样本集合Tn×m中的每一行元素，计算其到k个样本的距离，并将其聚类到距离最近的样本中，重新计算k个聚类中心。

4. 反复计算总体设计目标量化样本集合Tn×m中剩下的元素到新的k个聚类中心的距离，直到满足终止条件为止。

5. 计算最终k类中Tn×m的元素到其聚类中心的距离，即目标量化值与需求量化值之间的误差。

End

}同时，步骤（4）中采用粗糙集算法来优化知识属性集合，大大简化知识属性的个数，以便减小电力智能调度支持系统专家知识规则挖掘的难度，提高其效率和准确率。为了更好地利用粗糙集进行知识属性的约简，根据电力智能调度支持系统知识属性，构造决策表T=，其中U为电力智能调度支持系统知识集合，C∪D=R为电力智能调度支持系统知识数据的属性集合，C={c1，c2，…，cn}为电力智能调度支持系统知识数据的条件属性集合，D={d1，d2，…，dm}为电力智能调度支持系统知识数据的决策属性集合，V=∪vr，r∈R是电力智能调度支持系统知识数据属性值的集合，vr表示某一个属性r∈R的属性值范围，f：U×R→V定义一个信息函数，其指定U中每一对象x的属性值，即对于r∈R，x∈U，有f（x，r）∈vr。然后基于决策表T协调性的原理进行相应的属性约简，具体流程如算法2所示。

算法2：基于粗糙集的知识属性约简

Input：知识属性决策表T=。

Output：约简后的知识属性集合bestAttribute。

Begin {

1.读取知识属性决策表T中的每一行数据。

2.比较每一行数据中条件属性值与决策属性值。

3.若相等，则为约简，并加入bestAttribute集合中。

4.否则重复步骤1和2，直到读取T中的所有数据为止。

5.输出bestAttribute。

}概括来说，在电力智能调度支持系统开发的具体知识转移过程中，首先根据知识转移过程模型，划分等同的四个阶段：系统的需求分析阶段、系统设计阶段、系统测试阶段及系统建设阶段。在系统需求分析阶段，通过访谈、调研等手段来收集系统开发相应的需求知识，根据IMKT-L模型中的K_means算法挖掘分析现有的需求知识和系统最终的建设目标之间的量化差距，然后对所有误差进行规则挖掘，以此作为下一步是否发生知识转移的依据。对于电力智能调度支持系统设计阶段的各类设计路线进行建模，建立各类系统设计路线的知识转移效率表，然后优化该知识转移效率表，同时利用粗糙集方法约简相应的知识属性集合，得到满足系统设计开发的最小知识集合。最后针对系统建设阶段，利用增量式规则挖掘算法得到最终的电力智能调度支持系统专家知识库，并通过计算整体系统开发知识转移效率来反馈优化算法，使得最终得到的专家知识库便于后期相应人员使用。

3.2.2比较分析

为了更好地分析知识转移模型在电力智能调度支持系统中各个阶段的作用，本文针对电力智能调度支持系统的特点，通过访谈等方式收集整个系统开发阶段所需要的知识。其中需求分析阶段在知识转移前主要包括功能需求、性能需求、接口需求等21项，经过知识转移后将形成需求分析文档，对所有的系统开发建设所涉及的需求进行归纳总结；由于系统设计阶段已经对系统的需求和目标较为明确，故不会形成新的知识数目；系统测试阶段比较特殊，由于在知识转移前包含相关系统测试文档和用户使用手册等，在知识转移后则对所测试的结果进行归纳总结，而相关的测试文档则不需要；系统建设阶段在知识转移前主要包括系统详细设计方案、系统实施的网络拓扑架构等知识，在知识转移后则需要形成详细的系统建设方案，便于指导系统实施。表1给出了知识转移前后整个电力智能调度支持系统各个阶段所包含的知识数目。

从图4可以看出，在需求分析和系统建设阶段，由于知识转移效率值大于0，则表示通过知识转移和融合，在原有知识基础上，形成了新的满足电力调度支持部门所需的新知识；而在系统测试阶段，由于知识转移效率值小于0，表明知识转移造成了电力智能调度支持系统开发过程中系统测试知识的损失。但从整个电力智能调度支持系统知识转移效率看，在整个知识转移过程中知识的损失较小。

4总结

本文以传统的知识转移模型为基础，结合智能学习的理念，提出了一种基于学习的知识转移改进模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L），并以电力智能调度支持系统为例，详细描述了在电力智能调度支持系统的需求分析阶段、系统设计阶段、系统测试阶段及系统建设阶段中，IMKT-L模型如何利用智能学习算法挖掘知识规则、对设计路线建模以及优化知识集合，并通过自定义的知识转移效率比较来反馈优化专家知识库。最后通过比较分析得知，IMKT-L模型可有效降低整个电力智能调度支持系统需求、设计开发、测试及建设过程中知识的损失。

参考文献：

[1]张文亮，刘壮志，王明俊，等. 智能电网的研究进展及发展趋势[J]. 电网技术， 2009，33（13）：1-11.

[2]吴琼，刘文颖，杨以涵. 智能型电网调度决策支持系统的开发与实现[J]. 电力系统自动化， 2006， 30（12）：79-83.

[3]Teece D. Technology Transfer by Multinational Firms：The Resource Costs of Transferring Technological Kow- how [J]. The Economic Journal， 1977（87） ：242- 261.

[4]Hubel G. Organizational Learning：The Contributing Process and the Literatures[J]. Organization Science， 1991，2（1）：88-115.

[5]Argote l， Ingram P. Knowledge Transfer：A Basic for Competitive Advantage in Firms [J]. Organization Behavior and Human Decision Process， 2000， 82（1）：150-169.

[6]Szulanski G. Exploring Internal Stickiness：Impediments to the Transfer of Best Practice Within the Firm [J]. Strategic Management Journal （Special Issue）， 1996（17）：27- 44.

[7]Jeffrey L Cummings， Bing - Sheng Teng. Transferring R&D Knowledge：The Key Factors Affecting Knowledge Transfer Success [J]. Journal of Engineering and Technology Management， 2003（20）：39-68.

[8]Nonaka Ikujiro， Toyama Ryoko， Konno Noboru. SECI， Ba and Leadership：A Unified Model of Dynamic Knowledge Creation [J]. Long Range Planning， 2000（33）：5- 34.

[9]罗艳玲. 知识转移模型的优化研究[J]. 情报科学，2010，28（10）：1578-1583.

[10]王君，樊治平. 一种基于Multi-Agent 的知识转移模型框架[J]. 东北大学学报（自然科学版）， 2003，24（1）：94-97.

[11]Denis Helic， Hermann Maurer， Nick Scerbakov. Knowledge Transfer Processes in a Modern WBT System [J]. Journal of Network and Computer Applications， 2004，27（3）：163–190.

[12]刘莹，徐蓓芸. ERP、CRM与SCM整合过程中的知识转移研究[J]. 现代商业， 2008，23：196-197.

[13]张俊，张亮，杜子平. 基于知识转移视角的信息系统开发方法的比较[J]. 图书馆学研究， 2011（1）：59-63.

[14]何永刚. 信息系统开发过程中的知识转移研究[D]. 复旦大学博士论文，2007.

（责任编辑：张勇）

从图4可以看出，在需求分析和系统建设阶段，由于知识转移效率值大于0，则表示通过知识转移和融合，在原有知识基础上，形成了新的满足电力调度支持部门所需的新知识；而在系统测试阶段，由于知识转移效率值小于0，表明知识转移造成了电力智能调度支持系统开发过程中系统测试知识的损失。但从整个电力智能调度支持系统知识转移效率看，在整个知识转移过程中知识的损失较小。

4总结

本文以传统的知识转移模型为基础，结合智能学习的理念，提出了一种基于学习的知识转移改进模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L），并以电力智能调度支持系统为例，详细描述了在电力智能调度支持系统的需求分析阶段、系统设计阶段、系统测试阶段及系统建设阶段中，IMKT-L模型如何利用智能学习算法挖掘知识规则、对设计路线建模以及优化知识集合，并通过自定义的知识转移效率比较来反馈优化专家知识库。最后通过比较分析得知，IMKT-L模型可有效降低整个电力智能调度支持系统需求、设计开发、测试及建设过程中知识的损失。

参考文献：

[1]张文亮，刘壮志，王明俊，等. 智能电网的研究进展及发展趋势[J]. 电网技术， 2009，33（13）：1-11.

[2]吴琼，刘文颖，杨以涵. 智能型电网调度决策支持系统的开发与实现[J]. 电力系统自动化， 2006， 30（12）：79-83.

[3]Teece D. Technology Transfer by Multinational Firms：The Resource Costs of Transferring Technological Kow- how [J]. The Economic Journal， 1977（87） ：242- 261.

[4]Hubel G. Organizational Learning：The Contributing Process and the Literatures[J]. Organization Science， 1991，2（1）：88-115.

[5]Argote l， Ingram P. Knowledge Transfer：A Basic for Competitive Advantage in Firms [J]. Organization Behavior and Human Decision Process， 2000， 82（1）：150-169.

[6]Szulanski G. Exploring Internal Stickiness：Impediments to the Transfer of Best Practice Within the Firm [J]. Strategic Management Journal （Special Issue）， 1996（17）：27- 44.

[7]Jeffrey L Cummings， Bing - Sheng Teng. Transferring R&D Knowledge：The Key Factors Affecting Knowledge Transfer Success [J]. Journal of Engineering and Technology Management， 2003（20）：39-68.

[8]Nonaka Ikujiro， Toyama Ryoko， Konno Noboru. SECI， Ba and Leadership：A Unified Model of Dynamic Knowledge Creation [J]. Long Range Planning， 2000（33）：5- 34.

[9]罗艳玲. 知识转移模型的优化研究[J]. 情报科学，2010，28（10）：1578-1583.

[10]王君，樊治平. 一种基于Multi-Agent 的知识转移模型框架[J]. 东北大学学报（自然科学版）， 2003，24（1）：94-97.

[11]Denis Helic， Hermann Maurer， Nick Scerbakov. Knowledge Transfer Processes in a Modern WBT System [J]. Journal of Network and Computer Applications， 2004，27（3）：163–190.

[12]刘莹，徐蓓芸. ERP、CRM与SCM整合过程中的知识转移研究[J]. 现代商业， 2008，23：196-197.

[13]张俊，张亮，杜子平. 基于知识转移视角的信息系统开发方法的比较[J]. 图书馆学研究， 2011（1）：59-63.

[14]何永刚. 信息系统开发过程中的知识转移研究[D]. 复旦大学博士论文，2007.

（责任编辑：张勇）

从图4可以看出，在需求分析和系统建设阶段，由于知识转移效率值大于0，则表示通过知识转移和融合，在原有知识基础上，形成了新的满足电力调度支持部门所需的新知识；而在系统测试阶段，由于知识转移效率值小于0，表明知识转移造成了电力智能调度支持系统开发过程中系统测试知识的损失。但从整个电力智能调度支持系统知识转移效率看，在整个知识转移过程中知识的损失较小。

4总结

本文以传统的知识转移模型为基础，结合智能学习的理念，提出了一种基于学习的知识转移改进模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L），并以电力智能调度支持系统为例，详细描述了在电力智能调度支持系统的需求分析阶段、系统设计阶段、系统测试阶段及系统建设阶段中，IMKT-L模型如何利用智能学习算法挖掘知识规则、对设计路线建模以及优化知识集合，并通过自定义的知识转移效率比较来反馈优化专家知识库。最后通过比较分析得知，IMKT-L模型可有效降低整个电力智能调度支持系统需求、设计开发、测试及建设过程中知识的损失。

参考文献：

[1]张文亮，刘壮志，王明俊，等. 智能电网的研究进展及发展趋势[J]. 电网技术， 2009，33（13）：1-11.

[2]吴琼，刘文颖，杨以涵. 智能型电网调度决策支持系统的开发与实现[J]. 电力系统自动化， 2006， 30（12）：79-83.

[3]Teece D. Technology Transfer by Multinational Firms：The Resource Costs of Transferring Technological Kow- how [J]. The Economic Journal， 1977（87） ：242- 261.

[4]Hubel G. Organizational Learning：The Contributing Process and the Literatures[J]. Organization Science， 1991，2（1）：88-115.

[5]Argote l， Ingram P. Knowledge Transfer：A Basic for Competitive Advantage in Firms [J]. Organization Behavior and Human Decision Process， 2000， 82（1）：150-169.

[6]Szulanski G. Exploring Internal Stickiness：Impediments to the Transfer of Best Practice Within the Firm [J]. Strategic Management Journal （Special Issue）， 1996（17）：27- 44.

[7]Jeffrey L Cummings， Bing - Sheng Teng. Transferring R&D Knowledge：The Key Factors Affecting Knowledge Transfer Success [J]. Journal of Engineering and Technology Management， 2003（20）：39-68.

[8]Nonaka Ikujiro， Toyama Ryoko， Konno Noboru. SECI， Ba and Leadership：A Unified Model of Dynamic Knowledge Creation [J]. Long Range Planning， 2000（33）：5- 34.

[9]罗艳玲. 知识转移模型的优化研究[J]. 情报科学，2010，28（10）：1578-1583.

[10]王君，樊治平. 一种基于Multi-Agent 的知识转移模型框架[J]. 东北大学学报（自然科学版）， 2003，24（1）：94-97.

[11]Denis Helic， Hermann Maurer， Nick Scerbakov. Knowledge Transfer Processes in a Modern WBT System [J]. Journal of Network and Computer Applications， 2004，27（3）：163–190.

[12]刘莹，徐蓓芸. ERP、CRM与SCM整合过程中的知识转移研究[J]. 现代商业， 2008，23：196-197.

[13]张俊，张亮，杜子平. 基于知识转移视角的信息系统开发方法的比较[J]. 图书馆学研究， 2011（1）：59-63.

[14]何永刚. 信息系统开发过程中的知识转移研究[D]. 复旦大学博士论文，2007.

（责任编辑：张勇）