基于社会网络的组织间知识流动影响因素研究

张江甫

(1.绵阳师范学院 法学与社会学院，四川 绵阳　621000；2.四川大学 商学院，四川 成都　610064)



基于社会网络的组织间知识流动影响因素研究

张江甫1，2

(1.绵阳师范学院 法学与社会学院，四川 绵阳621000；2.四川大学 商学院，四川 成都610064)

摘要：将社会网络分析引入到组织间知识资源流动的研究中，分析影响知识有效流动的网络因素：网络节点、节点间关系及网络结构，以知识获取和创新绩效作为测量知识流动的指标，建立研究假设模型.采用结构方程模型检验研究假设，并得出结论：节点间强关系与弱关系、网络规模、网络密度对知识获取和创新绩效均有显著影响，网络节点中心度、网络内部凝聚力对知识获取有显著影响，但对创新绩效影响不显著.

关键词：社会网络视角；知识流动；网络节点；节点间关系；网络结构

组织间知识流动的网络化是知识管理研究发展的新趋势，知识流动的网络化能有效实现组织间知识资源的链接与整合，促进知识资源的共享、流动以及在此基础上的技术创新.王兆祥等[1]基于企业生命周期的视角，研究企业内部的知识获取、知识记忆整合、知识使用三阶段的知识流动.顾新[2]提出知识链由拥有不同知识资源的组织，如核心企业、大学、科研院所、供应商、经销商、客户、竞争对手等构成.组织间知识流动的网络化与前述企业内、组织间链式知识流动不同，它是以拥有不同知识资源的各类型组织(即网络节点)和组织间的关系(边)为显著特征，组织间基于知识流动形成复杂的网络关系与结构，旨在实现知识资源的获取、共享以及在此基础上的创新绩效，因此研究网络中组织间知识流动的影响因素对知识获取、共享及创新绩效的实现具有重大理论与实践价值.

关于影响知识流动的因素，国内外学者都进行过研究.Ijujoro[3]分析了企业知识创造过程中显性知识与隐性知识间相互转化的问题，提出知识的显、隐属性会影响知识的流动.赵力焓等[4]认为组织间需求知识的重要性对知识流动有影响.Nissen等[5]将生命周期理论融入到知识流动的SECI模型，提出在知识创造、组织、整理、扩散、应用及演化各阶段，知识流动的效果都不一样.王兆祥等[1]将生命周期融入企业内部的知识流动，提出知识获取、知识记忆整合、知识使用三阶段的十类知识流动.徐建锁等[6]认为知识流在不同企业主体间及企业内部的流动而实现知识捕获、选择、组织和创新等不同阶段的价值功能和创新绩效.Sorenson等[7]通过实证研究，认为组织制度与文化上的相似性有利于知识流动.上述研究主要从知识资源的性质、动态流动的生命周期过程及组织制度与文化视角研究影响知识流动的要素，本文另辟蹊径，从社会网络分析的视角探讨影响知识流动的因素，包括网络节点、节点间关系及网络结构三大方面，分析各要素作用于知识流动的过程，借助于结构方程模型分析方法，旨在研究组织间知识流动网络化的影响因素.

1　理论基础与研究假设

1.1网络节点与知识流动

本文的网络节点不指向具体的个人，而是拥有不同知识资源的组织，Autio[8]认为知识资源存在于知识系统中，包括知识产生与扩散、知识运用与开发两个子系统，高等院校和科研机构主要是知识资源生产与创造的功能，各类中介组织承担链接与扩散组织间知识资源的任务，企业是知识创新投入、产出以及收益的主体，主要将知识或技术运用到产品或服务的生产与开发中，政府通过策略性政策措施营造有利于知识资源流动的软、硬平台，每个知识组织在网络中都有相对应的位置，形成网络创新节点.Cupta等[9]提出知识资源在创新节点间发生流动需要具备四个基本要素：知识发送者的知识编码能力及意愿、知识接受方接收能力及意愿，因此在网络节点与知识流动关系上，做出假设，假设1：网络节点的中心度正向显著影响组织间知识流动.网络节点中心度的测量就是计算节点的度数，即与某一节点直接相连的其他节点的个数.本文中网络节点的中心度分别从节点发送方的意愿与能力(即点出度)、节点接收方的意愿与能力(即点入度)四个具体的指标进行测量.

1.2节点间关系与知识流动

节点间关系是知识流动网络化的创新组织，比如研发机构、高校、企业、技术转让服务机构等组织.基于知识资源流动而形成的关系强度，Pekkarinen等[10]认为组织间合作创新关系来源于异质的参与者，包括企业、大学、研究机构和中介组织等的知识分享与流动，涂振洲等[11]研究“产—学—研”间协同创新关系在知识流动过程的重要作用.美国社会网络关系理论教授Granovetter[12]提出测量关系强与弱的四个维度：①互动频率，互动关系的次数多为强关系，反之是弱关系；②感情力量，感情深是强关系，反之是弱关系；③亲密程度，关系密切为强关系，反之为弱关系；④互惠交换，互惠交换多而广是强关系，反之为弱关系.在知识流动网络化中，如果组织间是强关系，那么它们之间的互动频率高、信任度强、互惠度多而广，能有效促进知识资源在创新组织间的流动，反之弱关系不利于网络化知识资源的有效流动.基于上述理论分析，做出假设，假设2：节点间强关系正向显著影响组织间知识流动；假设3：节点间弱关系负向显著影响组织间知识流动.其中，节点间关系包括强关系与弱关系，可分别从组织间关系的互动频率、关系的信任强度以及关系的互惠程度三个具体的指标进行测量.

1.3网络结构与知识流动

网络结构是以网络中的节点(点)与节点间关系(边)为基本要素，以一定的方式把网络中的节点与关系组织协调起来，发挥“1+1＞2”的整合功能，形成知识创新绩效.Reagans等[13]认为网络结构与知识流动间存在相关关系，网络的内部凝聚力及规模都会对知识的有效流动产生影响；Gilsing等[14]以荷兰多媒体和生物技术两类知识密集型企业为研究对象，分析创新网络结构中网络密度与企业间关系强度对企业间知识资源流动的作用.综合上述研究分析，得出假设，假设4：网络的规模负向显著影响组织间知识流动；假设5：网络的密度正向显著影响组织间知识流动；假设6：网络内部凝聚力正向显著影响组织间知识流动.其中网络规模是参与知识流动的各类型组织数量，网络密度为网络中组织间实际拥有的关系与最多可能拥有的关系之比，网络内部凝聚力是网络中的最大关联子图，即在子图中，当所有点都通过各种途径相连时，子图是“关联”的，本文借鉴SNA的“N-派系”方法测量网络内部凝聚力，因此网络结构用网络规模、网络密度及网络内部凝聚力三个具体的指标进行测量.

1.4组织间知识有效流动的测度

Cupta等[9]认为知识资源发生流动需要具备五个基本要素：源单位的知识资源具有价值；源单位具有分享知识资源的动机；丰富的传递渠道；接受源具有接受知识资源的意愿；接受源吸收知识资源的能力.因此本文认为网络化组织间知识流动是知识发送组织通过一定的渠道与平台，将需要或有价值的知识资源传递给知识接受组织，知识接受组织获取、整合知识资源并运用于生产或服务流程，形成知识创新绩效的螺旋上升过程.基于此并借鉴柳卸林等关于区域创新能力指标的研究，本文知识的有效流动主要从“知识获取”和“创新绩效”两方面展开[15]，其中知识获取由组织专利技术获取数量、组织知识所有权及组织员工素养提高程度三个指标进行具体测量，创新绩效从组织间合作满意度、组织间协同程度及组织利润率三个指标进行测量[11，15].

综上理论分析，根据网络节点、节点间关系、网络的结构与知识流动的六条研究假设，构建出组织间知识流动网络化的假设模型，见图1，六条假设与知识流动的二维测量指标相对应，形成十二条假设，括号内的正、负号表示各因素的显著正向与负向影响.

图1　组织间知识流动网络化的假设模型

2　数据、方法及实证研究结果

2.1数据来源与方法

本文使用的数据来源于“组织间知识资源流动现象研究”的问卷调查.本次调查以知识型组织为主要研究对象，大致分为两类：一是知识创造子系统中的组织，比如大学、科研所、企业孵化器等；二是知识运用子系统中的组织，包括各类型的高新技术企业、政府及相关组织、中介服务机构等.调查问卷包含组织的基本情况、组织间知识流动影响因素量表、组织间知识流动效果量表三大模块的内容，采用Likert7刻度量表设计影响知识有效流动的因素和知识有效流动的效果，正向问题用1到7来表示非常赞同到非常不赞同的程度，负向问题用7到1表示非常不赞同到非常赞同的程度.为了保证问卷设计的信度和效度，首先在绵阳市进行了小样本(N=30)的试调查，根据反馈结果修正了问卷中若干设计不合理的问题；2015年3月至6月，采取随机抽样的方法，在绵阳、成都、杭州、上海等城市发送电子问卷300份和纸质问卷100份，共回收298份问卷，有效问卷276份(有效率为69％)，调查对象以组织中的中、高层管理者为主，年龄35岁以上占83.16％，工龄超过6年的占75.68％，大专及其以上学历的占92.38％，因此就调查对象的管理经验、工作经历及学历而言，均能对本问卷设计的问题具有较强的敏锐度和熟悉度.

结构方程模型(SEM)将一些无法直接观测但又欲研究探讨的问题作为潜变量，通过一些可以直接测量的变量(观测变量)反映这些潜变量，从而建立观测变量与潜变量、潜变量间的关系模型.SEM能同时处理多变量间关系、容许变量测量误差，能同时估计因子结构和因子关系、容许更大弹性的测量模型及估计整个模型的拟合度等，因此本文采取SEM方法，令ξ、η、χ、y分别表示模型中的内生潜变量、外生潜变量、内生潜变量的可测变量和外生潜变量的可测变量，见表1.利用AMOS7.0软件进行结构方程建模与分析，能够完整测量并验证所要研究假设的各个潜变量之间关系，以及每个潜变量与可测变量间关系.

表1　调查问卷的信度与效度分析

2.2实证研究过程

2.2.1信度与效度分析

在利用AMOS进行因子结构和因子分析之前，本文首先利用SPSS软件对设计的调查问卷问题进行Cronbach α系数信度检测，其结果见表1.由表1可知各潜变量的Cronbach α系数都大于0.65，且问卷的总体Cronbach α系数值为0.697，表明该问卷的内部一致性比较强，问卷的问题能恰当地测量相同的内容.其次利用因子分析法对调查问卷的效度进行测量，考察问卷中的调查问题相对应的因子负荷，本问卷观测变量的因子负荷均大于0.65，说明各观测变量对于潜变量具有较强的解释力，适合于结构方程模型分析.

2.2.2模型检验

在结构方程模型中，求出样本方差—协方差矩阵与理论模型方差—协方差矩阵间差异的模型参数，如残差矩阵各元素接近于零，说明数据拟合程度高.本文采取C-min/df、χ2的P值、GFI、A GFI、RMSEA等指标来检验模型的拟合效果，具体相关系数见表2.根据表2模型拟合指数值，除χ2的P值为0.048略低于较好的模拟拟合值0.05外，其余模拟值都符合模拟拟合较好的要求，这说明建立的结构方程模型拟合效果很好，可以进行AMOS的验证性因子结构分析.

表2　模型拟合指数

2.2.3研究假设检验

利用AMOS7.0软件进行建模与分析，得出组织间知识流动的网络因素模型路径系数图，见图2.图2 中*与**分别表示显著性水平p<0.05，p<0.01的情况，根据各网络因素的结构模型路径系数，检验图1组织间知识流动的网络因素模型的十二条研究假设，具体结果如表3所示.

根据表3研究假设的实证检验分析结果，假设1a、2a、2b、3a、3b、4a、4b、5a、5b、6a都得到相应的验证，假设1b、6b的P值不显著，未通过验证.验证结果表明节点间关系、网络规模和网络密度均对知识获取和创新绩效有显著直接影响；节点中心度、网络凝聚力对知识获取有显著直接影响，在创新绩效方面，影响不显著， 但知识获取对创新绩效具有显著影响，因此根据“节点中心度、网络内部凝聚力→知识获取→创新绩效”路径可知，节点中心度、网络内部凝聚力通过影响知识获取间接影响知识的创新绩效.

图2　网络因素模型路径系数图

表3　研究假设检验结果

3　结论与建议

引入社会网络分析视角，将网络节点、节点间关系、网络结构作为影响组织间知识流动网络化的因素，采取SEM方法，通过问卷收集资料，利用AMOS软件展开实证研究，得出结论：节点间强关系、网络密度均对知识的有效流动产生正向直接影响；节点间弱关系、网络规模对知识的有效流动产生负向直接影响；节点中心度、网络内部凝聚力通过影响知识获取间接影响知识的创新绩效.根据本文实证分析得出的结论，对组织间知识流动网络化实证研究提出如下建议.

3.1在网络节点方面，建立共享机制，增强组织知识流动的能力及意愿

首先，无论是知识需求方还是供给方，都要明确网络内本组织、其他组织的知识资源存量，分析组织知识资源需求方与供给方间的同质性知识与异质性知识；其次，建立相应的组织间培训管理机制，提升组织员工素养，增强其知识资源的编码和译码能力，并为知识的有效流动搭建相应平台；最后，建立相应配套的激励机制，鼓励知识需求方组织、知识供给方组织间相互进行知识流动的意愿.

3.2在节点间关系方面，营造信任-互惠关系，保障组织间的知识流动

信任-互惠关系是形成组织间有效知识流动的基础，信任-互惠关系形成于组织间的预期期望与实际值间的差异，当预期期望与实际值趋于一致时，组织间更易产生强烈的信任-互惠关系，即网络组织能与其他组织协调合作并信任他人有足够的能力解决自己的问题或组织需求，能从网络中其他组织中获取满足，因此需建立相应的鼓励制度稳定组织间的信任-互惠关系，促进组织间知识的有效流动，而违背信任-互惠关系制度的组织将会受到网络其他组织严厉的惩罚，同时也可以避免网络中组织的其他“搭便车”投机行为.

3.3 在网络结构方面，构建全通网络，便于组织间的知识流动

网络结构是影响组织间知识流动效果的另一重要因素，介于规则网络和随机网络之间的复杂网络能更好地促进组织间的知识流动，即构造符合小世界特征和服从幂律分布的复杂网络；要缩小网络规模，尤其要避免网络同质性，争取多样性和非重复性的非冗余网络节点的参与；增加节点间联系，构建全连通网络，减少知识流动的路径长度，增加网络密度；改善网络结构，保持网络内部稳定性与凝聚力将有利于组织间知识的有效流动.

参考文献：

[1]王兆祥，蔡晨.基于知识生命周期的企业知识流模型[J].中国管理科学，2007，15(2)：126-133.

[2]顾新.知识链管理—基于生命周期的组织之间的知识管理框架模型研究[M].成都：四川大学出版社，2008.

[3]IJUJIRON.The knowledge-creation company[J].Harvard Business Review，1991，69(6)：96-104.

[4]赵力焓，石娟，顾新.基于AHM模型的知识链组织之间知识流动效率影响因素研究[J].情报杂志，2010(12)：98-102.

[5]NISSEN M，LEVITT R.Dynamic models of knowledge-flow dynamics[J].Center for Integrated Facility Engineering，2002，11(14)：1-30.

[6]徐建锁，王正鸥，李淑伟.基于知识链的管理[J].天津大学学报：社会科学版，2003(2)：131-136.

[7]SORENSONO，RIVKINI J W，FLEMING L.Complexity，networks and knowledge flow[J].Research Policy，2006，35(7)：994-1017.

[8]AUTIO E.Evaluation of RTD in regional systems of innovation[J].European Planning Studies，1998(6)：131-140.

[9]GUPTAAK，GOVINDARAJAN V.Knowledge flows within multinational corporations[J].Strategic Management Journal，2000，21：473-496.

[10]PEKKARINEN S，HARMAAKORPI V.Building regional innovation networks：the definition of an age business core process in a regional innovation system [J].Regional Studies，2006，40(4)：401-413.

[11]涂振洲，顾新.基于知识流动的产学研协同创新过程研究[J].科学学研究，2013，31(9)：1381-1390.

[12]GRANVETTER M.The strength of weak ties[J].American Journal of Sociology，1973，78(6)：l.

[13]REAGANS R，MCEVILY B.Network structure and knowledge transfer：The effects of cohesion and range[J].Administrative Science Quarterly，2003，48(2)：240-267.

[14]GILSING V，NOOTEBOOM B.Density and strength of ties in innovation networks：an analysis of multimedia and biotechnology[J].European Management Review，2005(2)：179-197.

[15]柳卸林，高太山，周江山.中国区域创新能力报告2013[M].北京：科学出版社，2014.

(责任编辑：沈凤英)

Research on the Factors Influencing Inter-organizational Knowledge Flows Based on Social Networks

ZHANG Jiang-fu1，2
(1.School of Law and Social Sciences，Mianyang Normal University，Mianyang 621000，China；2.Business School，Sichuan University，Chengdu 610064，China)

Abstract：The paper studies knowledge resources flow between organizations by means of social network analysis.There are three majornetwork factors influencing knowledge flows， namely nodes of the network， the relationship between nodes and network structure.Knowledge acquisition and innovation performance are used to measure the effective flow of knowledge resources， and then this paper establishes a research model.This paper tests the research hypothesis with the method of structural equation modeling and draws a conclusion：these factors including the strong relationship between nodes and weak relationship between nodes and the scale of the network and network density， have all significant effect on knowledge acquisition and innovation performance； other factors， including node centrality of the network and network cohesion， have significant effect on the former but not on the latter.

Key words：social network analysis；knowledge flow；nodes of network；the relationship between nodes；network structure

作者简介：张江甫(1982-)，男，江西抚州人，讲师，博士生，主要从事知识管理、社会网络研究.

基金项目：四川省社会科学基金资助项目(Xq14C09)；绵阳师范学院教改资助项目(Mnu-JY1315)

收稿日期：2015-08-24；修回日期：2015-09-22

DOI：10.16219/j.cnki.szxbzk.2016.01.010

中图分类号：F22

文献标志码：A

文章编号：1008-5475(2016)01-0046-05

引文格式：张江甫.基于社会网络的组织间知识流动影响因素研究[J].苏州市职业大学学报，2016，27(1)：46-50，87.