知識閾值對組織學習績效的影響研究

宋艷雙，劉人境

西安交通大學 管理學院，西安 710049

知識閾值對組織學習績效的影響研究

宋艷雙，劉人境

西安交通大學 管理學院，西安 710049

組織學習可以提升企業(yè)對動態(tài)環(huán)境的適應能力，是企業(yè)賴以生存和獲取競爭優(yōu)勢的重要途徑。已有的組織學習影響因素研究，更多地關注組織結構、信息技術、環(huán)境動態(tài)性等外部情景因素對組織學習的影響，很少考慮組織內個體之間知識結構的差異。不同個體由于教育背景、專業(yè)領域、認知模式等的差異，具有不同的知識基礎。知識距離的存在使個體獲取、吸收和使用知識的能力不同，并將對知識學習的效果產生影響。

基于個體認知視角，運用多主體仿真方法，考慮不同個體之間的知識距離，對經典的組織學習計算模型進行補充和擴展，引入知識閾值限定知識距離的波動范圍，分別在閾值相同和閾值異質性兩種情況下，探討知識距離的不同閾值對組織學習績效的影響和作用機理。

研究結果表明，閾值相同情況下，組織平均知識水平隨閾值變動參數的增加而不斷提升，當初始有近一半的個體有機會發(fā)生知識交互時，通過學習最終能夠實現網絡中幾乎所有個體的充分交互，從而使組織知識水平達到最優(yōu)；閾值異質性情況下，由于社會分類效應的存在，不同類型個體之間很難發(fā)生交互，從而限制了個體對最優(yōu)知識的搜索能力。在相同的平均閾值變動參數下，閾值異質性組織的平均知識水平低于閾值相同組織，但隨著平均閾值變動參數的增加，二者之間的差距逐漸減小；隨著知識交互范圍的增大，個體間的理解和溝通不斷增強，知識也將逐漸趨于一致。敏感性分析結果表明，放松模型主要控制變量的假設之后，研究結論仍然成立。

研究結果厘清了知識距離與組織學習績效之間的影響關系，為組織學習影響因素研究提供了一個新的視角，同時為企業(yè)更好地開展組織學習實踐提出了可供參考的建議，如優(yōu)化人員構成、建立有效的內部溝通機制、營造良好的組織學習氛圍等。

知識距離；組織學習；知識閾值；組織學習績效；社會分類

1 引言

現代企業(yè)面臨的競爭環(huán)境日益復雜多變，對企業(yè)的經營管理提出了巨大的挑戰(zhàn)。組織學習可以提升企業(yè)對不確定環(huán)境的適應能力，是企業(yè)賴以生存和獲取競爭優(yōu)勢的重要途徑[1-2]。企業(yè)在發(fā)展中越來越重視組織學習，對于組織學習的探討和深入研究也逐漸成為學術界關注的焦點。不同學者從不同研究角度對組織學習的概念[3]、過程[4]、模式[3,5]和影響因素[6-7]進行大量研究，并取得許多有意義的成果。

研究方法上，基于主體的建模和仿真方法因其具有的動態(tài)性和高度靈活性，在復雜組織系統(tǒng)研究方面顯現出了獨特優(yōu)勢[8]，很好地豐富和發(fā)展了組織學習仿真研究。然而，已有研究往往忽視個體間知識結構的差異，隱含的假設是知識在個體之間的轉移不存在任何障礙，這是不合理的。個體的知識積累和長期的認識實踐形成了個體特有的知識結構，不同個體之間知識結構的差異使個體理解和吸收知識的基礎和能力不同，極大地影響著個體獲得和吸收新信息的程度，并由此決定了組織學習的有效性和科學性。已有研究表明，知識距離是知識學習的前提和基礎[9]，但對于知識距離如何影響組織學習還沒有給出明確的答案。因此，針對這一不足，本研究將不同個體之間的知識距離納入研究范疇，在MARCH[3]和MILLER et al.[10]提出的經典組織學習計算模型的基礎上，通過引入新特征對基礎模型進行修改和擴展，建立本研究的仿真模型，通過系統(tǒng)的仿真實驗，探討知識距離的不同閾值對組織學習績效的影響及作用機理。

2 相關研究評述

2.1 組織學習的仿真研究

MARCH[3]對組織和其成員之間的知識學習進行建模，構建經典的組織學習仿真模型——探索與利用模型，并探討組織學習中的探索與利用行為。MARCH[3]的開創(chuàng)性研究不僅極大地促進了組織學習的實證研究，也為知識傳播和整合提供了經典的仿真模型，成為其他學者對該問題進行研究的基礎。之后，很多學者基于MARCH[3]的仿真模型進行擴展，并進一步探討不同因素對組織學習所產生的影響。MILLER et al.[10]在MARCH[3]模型中引入個體間的相互學習和隱性知識，討論隱性知識所占比例對組織整體知識水平的影響；SCHILLING et al.[11]通過改變交互網絡的集中程度，探討交互網絡結構和網絡中心節(jié)點在信息傳播過程中的信息失真對組織學習績效的影響，結果表明，適度集中的網絡以及適量的知識遺漏或歪曲更有利于組織長期的績效表現；徐搏等[12]針對不同類型的信息技術，引入知識的時間價值和自然選擇壓力，重點評估支持組織成員之間相互學習的橫向技術和支持組織與成員相互學習的縱向技術在不同組織情景下對組織績效表現的不同影響。

以上研究比較完整地模擬了組織內的知識學習過程，可以幫助我們識別影響組織學習的關鍵要素，更好地理解和詮釋組織學習的影響機制，但仍然存在一些不足。已有研究更多地探討組織結構、信息技術、環(huán)境動態(tài)性等外部情景變量對組織學習的影響，而對于個體層面的影響因素尤其是個體內在知識結構的差異缺乏關注。模型隱含的假設是知識在個體之間的轉移不存在任何障礙，個體可以向任何知識水平高于自己的關聯個體進行學習，這是一種過于理想的假設?，F實中，不同個體擁有的知識是不同的，比如某個領域的專業(yè)人士和非專業(yè)人士相比，其知識含量和專業(yè)化程度有很大差異。知識學習需要建立在一定的知識基礎之上[13]，如果知識傳授方和知識接收方之間的知識距離過大，會導致二者缺少“共同語言”，對知識接收方來說知識傳授方的知識過于高深，從而難以理解吸收。因此，對組織學習的研究有必要進一步深入到個體內部知識結構差異的微觀層面，探討知識距離對組織學習過程及其績效可能帶來的影響。

2.2 知識距離與組織學習

CUMMINGS et al.[14]認為知識距離是指知識源與知識接收者擁有知識的相似程度，該定義得到學者們的普遍認可和采納。張莉等[15]從知識轉移的角度將知識距離定義為知識主體之間擁有的知識水平或知識含量的差距；陳濤等[16]認為知識距離可以理解為組織間或者組織內部成員之間、知識提供方與知識接收方之間所積累或者擁有的知識的差異性和相似度?？偟膩砜矗M管學者們對知識距離定義的角度不同，但對其內涵的理解基本一致，即知識距離代表不同知識主體擁有的知識的差距。

不同個體由于工作經歷、教育背景、專業(yè)領域、認知模式等的差異，其具有的知識基礎是不同的。因此，知識距離是客觀存在的[17]。已有研究表明，知識距離是影響知識學習的一個重要因素[9]。知識距離較小時，意味著知識學習雙方的知識結構存在較大程度的交叉或重疊，知識轉移的時間和努力成本更低，知識轉移的成功率更高[18-19]；知識距離過大時，由于知識接收者缺少相關的知識，將導致知識源溢出的知識無法被知識接收者理解并吸收，知識學習的效率也會降低[20]。因此，保持知識距離在適當的范圍內是知識學習活動發(fā)生的重要前提條件之一。同時，知識距離與組織知識學習過程是協同演化的[21]。一方面，知識源與知識接收方存在一定的知識差距為個體之間的知識分享和學習活動提供了動力[22]，從而促進組織內部不同知識主體間的知識轉移；另一方面，通過個體間的知識學習過程，可以增強相互交流和理解，改善個體對新知識的獲取和吸收能力，從而減少知識距離。然而，對于知識距離與組織學習之間的影響機理，仍然缺乏深入探討。目前，有關知識距離的研究成果并不多見，且多集中于理論層面，實證檢驗的研究很少，組織學習的相關研究中也較少考慮知識距離的影響作用，因此進一步研究和論證知識距離與組織學習之間的作用關系和作用大小仍然是必要的。本研究考慮個體之間知識結構的差異，在MARCH[3]和MILLER et al.[10]的經典模型基礎上引入知識距離，基本思想是個體只可能與自己知識距離在一定閾值范圍內的臨近個體進行交流學習，超過該閾值則不發(fā)生交互學習。知識閾值(以下簡稱閾值)代表知識距離的波動范圍，閾值越大，意味著知識學習的條件越寬松。在這一假設的基礎上，構建本研究的基礎模型，主要考慮閾值對組織學習績效的影響和作用機理，尋找知識距離與組織學習協同演化過程的內在規(guī)律性，并探討提升組織學習績效的可能途徑。

3 仿真模型的構建

組織學習過程涉及知識在不同層次主體之間的轉移和整合，具有動態(tài)交互的特征[23]。傳統(tǒng)的數理分析模型難以有效刻畫不同個體之間的交互，而實證研究又往往受限于研究情景，難以分析系統(tǒng)的動態(tài)變化過程[24]。基于主體的計算模型是利用計算機技術對復雜現象進行研究的模型[25]，它具有對復雜系統(tǒng)的自然描述能力，可以通過觀察系統(tǒng)內部個體間相互作用的涌現性探尋系統(tǒng)的演化規(guī)律，因而可以為此類研究提供一個很好的解決辦法。本研究重點關注閾值對組織學習績效的影響，由于組織學習過程的動態(tài)性和非線性[4]，更適合采用計算模型進行探索，隨后用實證方法進行驗證。因此，本研究運用多主體仿真方法，通過模擬個體的認知學習過程和個體之間的互動，探討個體及其承載的知識聚集產生組織層面的知識結果的過程。

MARCH[3]提出的經典的探索與利用計算模型探討組織和個體的相互學習，為本研究仿真模型的構建提供了很好的借鑒。模型包括4個基本特征。

(1)存在一個外部環(huán)境，它是獨立于組織及成員個體信念的客觀存在，用m維向量O表示，O=(a1,a2,…,am)，al為外部環(huán)境向量第l個維度的真實值，以相同的概率取值為1或-1，1≤l≤m，m為個體知識向量的維度。

(2)假設組織包含n個個體，每個個體和組織的知識表示為對外部環(huán)境的信念。與外部環(huán)境向量相對應，個體和組織擁有一個m維的知識向量，用Ki表示，Ki=(bi1,bi2,…,bim)，0≤i≤n，i=0代表組織，bil為個體i對外部環(huán)境第l個維度的信念，1≤l≤m，以相同的概率取值為1、0或-1，1或-1表示個體所持有的特定信念，0表示信念缺失。隨著交互和學習的不斷進行，每個個體所持有的信念也是不斷變化的。個體的知識水平用其持有的正確信念所占比例表示，即與外部環(huán)境向量相一致的信念數量除以信念總維數m。組織整體學習績效采用組織成員的平均知識水平(AKL)表示。

(3)個體向組織學習。組織成員通過向組織學習來更新知識向量中每個維度的信念，每個時間周期，組織成員在每個維度上以概率P1將組織知識復制為個體信念。P1為成員向組織學習的概率，它反映了個體對組織的社會化程度。當組織知識向量中的某個維度為0時，成員在該維度上保持原有信念不變。

(4)組織向個體的學習。初始時刻，組織知識向量的各維度全部賦值為0。每個時間周期，組織首先識別出知識水平高于組織的成員；然后，計算這些知識水平較高的成員在每個維度上占多數的信念；最后，組織以概率P2將每個維度的占優(yōu)信念復制為組織知識，P2為組織向個體學習的概率。

本研究在MARCH[3]模型的基礎上引入知識距離概念，對模型進行修改和擴展。新加入的特征如下。

(1)知識距離及其閾值的表示。不同知識主體之間的知識距離在適當范圍內，他們才能進行知識學習，因此本研究用閾值進行限定。閾值是能夠實現知識轉移和學習的知識距離的波動范圍，閾值越大，意味著個體對差異化知識的接受和吸收能力越強，知識學習的條件越寬松。本研究定義網絡中的個體集合為A，A={1,2,…,n}，n為網絡中個體數量。對于所有的i∈A,j∈A，Nij為個體間的連接關系，Nij∈{0,1}。具體的，

(1)

兩個相連個體i與j之間的知識距離dij的表達式為

(2)

其中，bik為i個體知識向量第k個維度的信念，bjk為j個體知識向量第k個維度的信念，并且每個個體與其自身的知識距離為0，即dii=0。由于不同網絡初始化形成的所有連接的知識距離均值可能存在差異，對于一個確定的閾值來說，知識距離均值較小的網絡相對知識距離均值較大的網絡，其網絡中不同個體之間能發(fā)生知識交互的概率更高，知識學習也更容易，此時通過實驗觀察到的閾值與組織學習績效之間的影響在一定程度上受不同網絡知識距離均值差異的干擾。因此，為了消除不同網絡知識距離均值差異對實驗結果可能產生的影響，本研究相對知識距離均值設定閾值大小，即以知識距離均值為中心，以知識距離的標準差為移動單位，通過改變閾值變動參數限定閾值的變動范圍。網絡初始化時，每個節(jié)點的平均度為4，網絡的總連接數為2n。知識距離均值dmean為

(3)

網絡中所有連接的知識距離的標準差σ為

(4)

個體i與個體j之間存在連接，即Nij=1。閾值T為

T=dmean+xσ

(5)

其中，x為閾值變動參數，它決定了閾值的相對大小。個體在每次知識學習結束后，知識存量都會有所提高，導致相鄰個體間的知識距離縮小。因此，每次學習過程結束后，需重新計算個體間的知識距離。

(2)個體間的相互學習。MILLER et al.[10]在MARCH[3]模型的基礎上，增加了成員間的交互學習，從而能夠更完整地模擬組織內的知識學習。本研究遵循這一做法，同時在考慮知識距離的情況下，個體之間的交互學習還會受到知識距離的影響。每個時間周期，每個個體只可能與自己的知識距離在一定閾值范圍內的臨近個體發(fā)生交互，成員從中識別出知識水平大于自己的個體，然后在每個維度上將其占多數的信念以概率P3復制為自己的信念。P3為個體間的學習概率。

(3)交互網絡。組織成員及其連接關系形成了組織的整體網絡，它影響著組織內部的知識流動[26]。LAZER et al.[26]探討線性網絡、隨機網絡、小世界網絡和全連接網絡4種不同類型的網絡結構對組織學習的影響，結果表明全連接網絡可以促進利用式學習，而線性網絡則更有利于探索式學習；FANG et al.[27]的研究進一步表明半孤立的子群體結構，即一種在內部連接緊密的子群體之間保持松散連接的網絡結構，可以很好地平衡組織的探索與利用，提高組織整體的知識水平。本研究重點關注閾值對組織學習績效的影響，為了消除特殊網絡結構對結果可能產生的影響，采用隨機網絡作為組織的整體網絡。隨機網絡是一種中性網絡，在網絡結構相關研究中，通常作為比較的基準，因而可以幫助我們更精確地發(fā)現變量之間的關系。根據WATTS et al.[28]提出的算法生成隨機網絡，首先生成一個具有n個節(jié)點、每個節(jié)點度為4(每個節(jié)點分別與左右2個臨近節(jié)點連接)的環(huán)形規(guī)則網絡，然后將網絡中所有連接以概率1隨機重連，從而將環(huán)形規(guī)則網絡轉變?yōu)殡S機網絡。這種生成算法可以保證整個網絡的連通性，并且在隨機重連的過程中，網絡的平均度始終保持不變。

4 仿真實驗

本研究使用NetLogo 5.0.4軟件進行仿真實驗。實驗中涉及的主要參數及其含義見表1。

表1 仿真參數Table 1 Simulation Parameters

參數m、n、P1、P2、P3為本研究的控制變量。在實驗中，其默認值與MILLER et al.[10]的設置一致，即m=30，n=100，P1=P2=P3=0.5。閾值變動參數x作為自變量，本研究主要對比分析閾值相同和閾值異質性兩種情況下閾值變動參數對結果的影響。

組織成員的平均知識水平AKL為主要的因變量。為了解釋x對AKL的影響，本研究增加初始交互個體比例和最大交互個體比例兩個統(tǒng)計指標，分別記錄x取不同數值時系統(tǒng)演化過程中小于對應閾值的連接占網絡中所有連接比例的初始值和最大值。

模型進行仿真實驗的流程如下：在初始化時，首先生成個體及個體的隨機網絡，然后生成外部環(huán)境向量、個體和組織知識向量，計算相連個體間的知識距離。初始化完成后，進入個體和組織的學習過程，個體和組織通過反復學習，不斷調整知識，并逐漸趨于一致。當系統(tǒng)運行達到終止次數時，實驗結束。

5 結果分析

針對每種參數設置，本研究進行80個周期的實驗，每次實驗基于不同的隨機數種子重復50次，并將50次實驗的平均結果作為分析依據，以避免隨機性的影響。仿真實驗表明，當系統(tǒng)運行達到終止次數時，組織平均知識水平已經趨于穩(wěn)定。

本研究分別探討閾值相同和閾值異質性兩種情況。閾值相同情況下，所有個體的閾值相同，重點關注組織平均知識水平隨閾值變動參數的變化；閾值異質性情況下，組織中個體具有不同的閾值，包括高閾值個體和低閾值個體，與低閾值個體相比，高閾值個體對知識距離的理解和接受范圍更大，本研究重點對比分析閾值異質性組織與閾值相同組織的平均知識水平隨平均閾值變動參數變化的差異。

5.1 閾值相同情況下，組織平均知識水平隨閾值變動參數的變化

將控制變量設置為默認值，針對自變量設置不同的水平進行系統(tǒng)化的實驗，得到的結果見圖1。

圖1 組織平均知識水平/交互個體比例隨閾值變動參數的變化Figure 1 Changes of Average Knowledge Level of Organization and Proportion of Interactive Individuals with Threshold Variation Parameters

由圖1可知，組織平均知識水平隨閾值變動參數的變化曲線可以劃分成三部分，當x取值很小時，隨著x的增加，組織平均知識水平并無明顯的提高，整體處于很低水平；當x超過某個值后，組織平均知識水平開始不斷提高，并達到比較高的水平；隨著x的進一步增加，組織平均知識水平恢復比較平穩(wěn)的狀態(tài)，增長并不明顯。初始交互個體比例隨著x的增加不斷增大，最大交互個體比例與組織平均知識水平呈現相同的變化趨勢。

為了解釋這種變化模式產生的原因，本研究通過分析得到整個曲線發(fā)展變化過程中不同階段轉變的關鍵時點。第一個關鍵時點為x=-1.7，在x小于-1.7時，初始交互個體比例和最大交互個體比例幾乎重合，這意味著在閾值較小時，系統(tǒng)演化過程中只有少部分個體能夠發(fā)生交互，并且交互個體間知識結構存在著較大程度的重疊或冗余，個體通過學習所獲得的知識增量很少，因而學習績效很低。在x>-1.7之后，兩個比例之間的差距逐漸增大，意味著知識交互的范圍不斷增大。當x=-0.9時，初始交互個體比例為0.186，最大交互個體比例達到0.522。閾值變動參數的增加代表閾值變大，增加了每個知識主體向更多、更優(yōu)秀個體進行學習的機會，從而可以有效吸收和整合組織內不同個體所擁有的多樣化知識，使組織整體的知識水平得到很大提升。在這樣的變化趨勢下，當閾值變動參數進一步增大到0.1時，初始交互個體比例為0.526，最大交互個體比例能夠達到0.983，組織平均知識水平為0.978。而x超過0.1后，雖然初始交互個體比例仍有提升，但最大交互個體比例和組織平均知識水平增長比較平緩。這是因為知識距離與組織學習過程是協同演化的，個體通過學習可以獲得知識，改善原有的知識結構，減少與知識提供者之間的知識距離，從而可以進一步促進知識學習行為的發(fā)生。當x=0.1時，組織在演化過程中已經能夠實現充分的知識交互，因而繼續(xù)提升x的水平很難帶來組織知識水平更大的改進。在整個曲線變化過程中，可以看到隨著x的增加，組織平均知識水平和最大交互個體比例的變化趨勢基本一致，對數據的相關性分析結果表明，二者在0.010的水平上存在顯著的正相關關系，相關性系數達到0.998。可見，最大交互個體比例是影響組織平均知識水平的一個重要因素。

5.2 閾值異質性組織與閾值相同組織平均知識水平隨平均閾值變動參數變化的對比分析

不同知識主體因為自身學習能力的不同而具有不同的閾值。學習能力強的主體，可以跨越較大的知識距離，實現自身知識量的快速增長；學習能力較差的主體，其可以接受的知識距離的范圍則比較小。本研究加入對閾值異質性的考慮，將組織所有個體分成兩個部分，一部分由高閾值個體構成，閾值變動參數為1.2；另一部分由低閾值個體構成，閾值變動參數為-1.2。組織整體的平均閾值變動參數根據高閾值個體和低閾值個體所占比例進行加權平均得到，以閾值相同組織作為基準，對比閾值異質性組織與閾值相同組織的平均知識水平隨平均閾值變動參數的變化，結果見圖2。

由圖2可知，當平均閾值變動參數在-1.2～-1.0之間時，閾值異質性組織的平均知識水平略高于閾值相同組織，隨著平均閾值變動參數的增加，閾值相同組織的平均知識水平很快超過閾值異質性組織，且二者的差距逐漸減少。同時，最大交互個體比例間的對比也得到一致的結果。這是因為閾值異質性的組織引入了個體多樣性，根據社會分類觀點[29]，不同個體對異質性知識的接受能力的差異為社會分類提供了線索。個體更愿意與自己的“同類”交互，即低閾值個體更傾向于與同樣低閾值的其他個體進行交互，高閾值個體則更傾向于與其他高閾值個體交互，導致整個組織被分割成相應的兩個子群體。

圖2 組織平均知識水平隨平均閾值變動參數的變化Figure 2 Changes of Average Knowledge Level of Organization with Average Threshold Variation Parameters

在平均閾值變動參數的取值范圍為-1.2～-1.0時，對于閾值相同組織，由于所有個體的閾值都保持在較低水平，個體之間很難發(fā)生知識交互，因而組織學習績效較差；對于閾值異質性組織，雖然低閾值個體所占比例較大，但此時社會分類效應的作用并不明顯，并且由于高閾值個體的存在，可以在一定程度上促進知識學習行為的發(fā)生，從而改進組織平均知識水平。隨著平均閾值變動參數的增加，閾值異質性組織中高閾值個體所占比例不斷增大，社會分類效應的作用也愈加明顯，低(高)閾值個體更愿意與同樣是低(高)閾值的個體進行交互，導致低閾值個體與高閾值個體之間缺少充分的交互，因而損害了組織學習績效。在閾值相同組織中，由于所有個體都是同質的，個體可以與所有閾值范圍內的鄰居個體發(fā)生交互，組織內個體間的知識交互更充分，并且可以提高成員的承諾和群體凝聚力[30]，減少關系沖突[31]，因而平均知識水平要高于閾值異質性的情況。但隨著平均閾值變動參數的進一步增加，雖然閾值異質性組織由社會分類效應導致的交互范圍局限性依然存在，但由于閾值較高，增加了個體對多樣化知識的吸收，擴大了知識的搜索范圍，相應的也提高了獲取最優(yōu)知識的概率，在一定程度上可以彌補由交互范圍帶來的限制，因而組織平均知識水平與閾值相同組織的差距越來越小。

針對閾值異質性組織，本研究計算了同種類型交互連接比例(如高閾值個體與高閾值個體交互、低閾值個體與低閾值個體交互)和不同類型交互連接比例(如高閾值個體與低閾值個體交互)，結果見圖3。由圖3可知，同種類型交互連接比例高于不同類型交互連接比例，進一步驗證了社會分類效應的存在。

當閾值異質性組織中高閾值個體所占比例取不同數值時，得到組織平均知識水平以及高閾值和低閾值群體的平均知識水平見圖4。

由圖4可知，隨著高閾值個體所占比例的增加，組織平均知識水平以及高閾值和低閾值群體的平均知識水平均不斷提升。因為在組織成員數量保持不變的條件下，高閾值個體所占比例越大，相應的組織平均閾值變動參數也不斷增大，使個體間的交流和學習變得更容易，增加了個體向更優(yōu)秀個體學習的概率，因而組織整體以及高閾值群體和低閾值群體的平均知識水平都有所提升。但是，當高閾值個體所占比例一定時，高閾值群體的平均知識水平總是高于低閾值群體的平均知識水平?？梢姡唛撝祩€體更有利于提高組織的平均知識水平，提升整體的績效表現。

圖3 交互連接比例隨平均閾值變動參數的變化Figure 3 Changes of Proportion of Interactive Connections with Average Threshold Variation Parameters

圖4 平均知識水平隨高閾值個體所占比例的變化Figure 4 Changes of Average Knowledge Level with Proportion of High Threshold Individuals

5.3 知識距離的動態(tài)演化

圖5 知識距離變異系數隨平均閾值變動參數的變化Figure 5 Changes of Variation Coefficient of Knowledge Distance with Average Threshold Variation Parameters

5.4 敏感性分析

為了進一步檢驗不同控制變量變化對仿真所得主要結論的影響，借鑒FANG et al.[27]的做法，考慮5個控制變量的不同取值，進行敏感性分析。在閾值相同的情況下，得到的敏感性分析結果見圖6。

圖6(a)給出個人和組織知識向量維度m的敏感性分析結果，為了便于與已有研究結果進行比較，本研究與趙晨等[5]的研究保持一致，將m的取值范圍設置為30、60、90；圖6(b)給出組織成員數量n的敏感性分析結果，考慮組織的不同規(guī)模，將其取值范圍設定為100、300、500，分別對應組織規(guī)模較小、規(guī)模中等和規(guī)模較大的情況；圖6(c)給出個體向組織學習的概率P1的敏感性分析結果，圖6(d)給出組織向個體學習的概率P2的敏感性分析結果，圖6(e)給出個體間的學習概率P3的敏感性分析結果，由于不同學習概率的變化區(qū)間均為[0,1]，因而為了反映變量的不同變化水平，其參數取值范圍與MILLER et al.[10]保持一致，均設置為0.1、0.3、0.5、0.7、0.9。

對于知識向量的維度m，它用來表示個體和組織所持有的信念的數量，盡可能接近外部環(huán)境的信念組合是組織所追求的主要目標。由圖6(a)可知，當m=30時，可以實現更優(yōu)的組織平均知識水平，隨著m的增加，組織平均知識水平不斷降低，這與通常所認為的復雜知識比簡單知識學習更慢的觀點一致[5,27]。因為較小的m值意味著更少的信念組合數量，更容易找到最優(yōu)解，從而提升組織的學習績效。由圖6(e)可知，中等的學習概率(P3=0.3～0.5)更有利于組織提高其知識水平，這與MILLER et al.[10]的觀點一致，因為中等水平的個體間學習概率可以很好地保持知識的多樣性，從而有利于組織發(fā)現更優(yōu)的知識。其他3個參數的不同取值對應的組織平均知識水平沒有明顯的差異。在不同參數的變化條件下，組織平均知識水平隨閾值變動參數的變化趨勢保持不變，研究結論依然成立。

(a)知識向量維度

(b)組織成員數量

(c)個體向組織學習的概率

(d)組織向個體學習的概率

(e)個體間的學習概率

此外，在閾值異質性的情況下，本研究也針對5個控制變量進行了敏感性分析，與閾值相同情況下的發(fā)現類似，較小的知識向量維度和中等水平的個體間學習概率有利于組織實現更優(yōu)的學習績效。整體結果表明不同變量的變化對研究的主要結論沒有顯著影響，從而在一定程度上證明了研究結論具有很好的一致性。

6 結論

本研究借鑒經典的組織學習計算模型，引入知識距離變量，構建基礎模型，通過仿真實驗，重點探討閾值對組織學習績效的影響和作用機理。研究結果表明，當閾值較小時，知識學習只在部分知識結構非常相似的個體之間發(fā)生，并且個體通過學習獲得的知識增量很少，組織平均知識水平較低；隨著閾值的增加，個體能夠理解和接受的知識距離范圍不斷增大，擴大了知識交互的范圍，很好地維持了知識多樣性，有利于群體發(fā)現更優(yōu)的知識。同時，知識距離與組織學習過程的動態(tài)協同演化，使組織初始有約一半個體可以發(fā)生交互時，最終能夠實現網絡中幾乎所有個體的充分交互，從而使組織平均知識水平達到最優(yōu)。對閾值異質性的探索表明，閾值相同組織的平均知識水平要高于閾值異質性的情況。這是因為閾值的差異引入了個體多樣性，在社會分類效應的作用下，個體更愿意與自己相似的其他個體發(fā)生交互，而不同類型個體之間很難發(fā)生交互，從而限制了個體對最優(yōu)知識的搜索范圍，所以閾值異質性的存在降低了組織整體的績效表現。但隨著高閾值個體所占比例的不斷增加，將有效克服由社會分類效應所帶來的績效損害，從而不斷縮短閾值異質性組織與閾值相同組織之間的知識水平差距。隨著知識交互范圍的增大，個體間的理解和溝通不斷增強，知識也逐漸趨于一致。通過對模型涉及的5個控制變量的敏感性分析，發(fā)現這些變量的變化并不影響本研究的主要結果。

研究結論具有重要的理論和實踐意義。理論上，已有組織學習研究忽視了個體知識結構的差異，隱含假設個體向高知識水平個體學習時不存在任何的障礙，這與實際情況不符。本研究從這一不足入手，對知識距離與組織學習之間的作用關系和作用機理進行深入探討，可以為組織學習研究提供一個新的視角，研究結論進一步豐富和發(fā)展了現有理論。同時，研究還對比了閾值相同和閾值異質性兩種情況，結果表明閾值異質性的組織學習績效低于閾值相同組織的學習績效，這與一些研究的結論一致[29,31]。本研究驗證了社會分類效應的存在，同時也為社會分類觀點提供了支持和新的解釋。實踐上，本研究驗證了知識距離是影響組織學習的一個重要因素，研究結論對于企業(yè)開展組織學習和知識管理實踐具有一定的指導和借鑒意義。首先，在人員招聘和構成方面，應明確不同職位對人員專業(yè)領域和知識基礎的要求，確保新招聘員工具備完成工作所需的相關知識，減少知識學習的障礙。同時也要考慮到人員構成的優(yōu)化，保持個體學歷背景、工作經歷、專業(yè)領域等方面的多樣性，從而可以有效吸收和整合不同個體所擁有的多樣化知識，提升組織的知識水平。其次，企業(yè)應建立有效的內部溝通機制，提高組織成員對彼此知識與能力的理解和認知程度，并通過一定的引導和鼓勵措施，促使企業(yè)至少近一半的關聯個體能夠進行知識交流和學習，從而確保組織成員間實現充分的知識交互，使組織學習績效達到最優(yōu)。最后，企業(yè)應努力營造組織學習的良好氛圍，調動個體通過社會網絡學習的主動性和積極性，并通過開展企業(yè)內部培訓、建立組織知識庫、論壇和學習共享系統(tǒng)等形式，培養(yǎng)和提升個體的學習能力，增加知識接收快、學習能力強的個體在組織中所占的比例。

本研究也存在一些局限和不足。仿真模型作為對現實世界的抽象和簡化，其結論會存在一定的局限性，后續(xù)研究可以在真實的企業(yè)環(huán)境中對本研究結果進行驗證。同時，組織學習的相關研究已經證實了組織結構、環(huán)境擾動、人員流動、學習策略、個體動機等因素對組織學習績效具有重要的影響，那么在考慮知識距離的情況下，這些變量的影響是否會發(fā)生變化、與知識距離是否會存在交互影響等都有待于進一步驗證，本研究僅進行了初探，后續(xù)研究可深入進行探討，逐步加以完善。

[1]FLORES L G,ZHENG W,RAU D,et al.Organizational learning:subprocess identification,construct validation,and an empirical test of cultural antecedents.JournalofManagement,2012,38(2):640-667.

[2]許暉,李文.高科技企業(yè)組織學習與雙元創(chuàng)新關系實證研究.管理科學,2013,26(4):35-45.

XU Hui,LI Wen.Empirical study on relationship between organizational learning and ambidextrous innovation in high-tech enterprises.JournalofManagementScience,2013,26(4):35-45.(in Chinese)

[3]MARCH J G.Exploration and exploitation in organizational learning.OrganizationScience,1991,2(1):71-87.

[4]陳國權,馬萌.組織學習的過程模型研究.管理科學學報,2000,3(3):15-23.

CHEN Guoquan,MA Meng.Studies on the process model of organizational learning.JournalofManagementSciencesinChina,2000,3(3):15-23.(in Chinese)

[5]趙晨,陳國權,高中華.領導個人學習對組織學習成效的影響:基于情境型雙元平衡的視角.管理科學學報,2014,17(10):38-49.

ZHAO Chen,CHEN Guoquan,GAO Zhonghua.The effect of team leader learning on organizational learning:a view based on contextual ambidexterity.JournalofManagementSciencesinChina,2014,17(10):38-49.(in Chinese)

[6]BUTLER J C,GRAHOVAC J.Learning, imitation, and the use of knowledge:a comparison of markets,hierarchies,and teams.OrganizationScience,2012,23(5):1249-1263.

[7]XU B,LIU R,LIU W.Individual bias and organizational objectivity:an agent-based simulation.JournalofArtificialSocietiesandSocialSimulation,2014,17(2):2-15.

[8]MILLER K D.Agent-based modeling and organization studies:a critical realist perspective.OrganizationStudies,2015,36(2):175-196.

[9]HAMEL G.Competition for competence and interpartner learning within international strategic alliances.StrategicManagementJournal,1991,12(S1):83-103.

[10]MILLER K D, ZHAO M, CALANTONE R J. Adding interpersonal learning and tacit knowledge to March′s exploration-exploitation model.AcademyofManagementJournal,2006,49(4):709-722.

[11] SCHILLING M A,FANG C.When hubs forget, lie, and play favorites:interpersonal network structure,information distortion, and organizational learning.StrategicManagementJournal,2014,35(7):974-994.

[12] 徐搏,劉人境.基于Agent仿真的信息技術評估和選擇.科學學與科學技術管理,2013,34(4):35-43.

XU Bo,LIU Renjing.Assessing and selecting information technology using agent-based simulation.ScienceofScienceandManagementofS.&T.,2013,34(4):35-43.(in Chinese)

[13] COHEN W M,LEVINTHAL D A.Absorptive capacity: a new perspective on learning and innovation.AdministrativeScienceQuarterly,1990,35(1):128-152.

[14]CUMMINGS J L,TENG B S.Transferring R&D knowledge:the key factors affecting knowledge transfer success.JournalofEngineeringandTechnologyManagement,2003,20(1/2):39-68.

[15] 張莉,和金生.知識距離與組織內知識轉移效率.現代管理科學,2009(3):43-44.

ZHANG Li,HE Jinsheng.Knowledge distance and organizational knowledge transfer efficiency.ModernManagementScience,2009(3):43-44.(in Chinese)

[16] 陳濤,王鐵男,朱智洺.知識距離、環(huán)境不確定性和組織間知識共享:一個存在調節(jié)效應的實證研究.科學學研究,2013,31(10):1532-1540.

CHEN Tao,WANG Tienan,ZHU Zhiming.The distance of knowledge,environmental turbulence and the relationship of knowledge sharing in organization:an empirical research within moderating effect.StudiesinScienceofScience,2013,31(10):1532-1540.(in Chinese)

[17] 肖志雄.知識距離對知識吸收能力影響的實證研究:以服務外包企業(yè)為例.情報科學,2014,32(10):61-64,69.

XIAO Zhixiong.An empirical study on the influence of knowledge distance on knowledge absorptive capacity:an example of service outsourcing enterprises.InformationScience,2014,32(10):61-64,69.(in Chinese)

[18]TORTORIELLO M,REAGANS R,MCEVILY B.Bridging the knowledge gap:the influence of strong ties,network cohesion,and network range on the transfer of knowledge between organizational units.OrganizationScience,2012,23(4):1024-1039.

[19] REAGANS R,SINGH P V,KRISHNAN R.Forgotten third parties:analyzing the contingent association between unshared third parties,knowledge overlap,and knowledge transfer relationships with outsiders.OrganizationScience,2015,26(5):1400-1414.

[20] KANG M,HAU Y S.Multi-level analysis of knowledge transfer:a knowledge recipient′s perspective.JournalofKnowledgeManagement,2014,18(4):758-776.

[21] 胡漢輝,潘安成.組織知識轉移與學習能力的系統(tǒng)研究.管理科學學報,2006,9(3):81-87.

HU Hanhui,PAN Ancheng.Systemic study on organizational knowledge transfer and learning capability.JournalofManagementSciencesinChina,2006,9(3):81-87.(in Chinese)

[22] 于玲玲,趙西萍,周密,等.知識轉移中知識特性與聯系強度的聯合調節(jié)效應研究:基于成本視角的分析.科學學與科學技術管理,2012,33(10):49-57.

YU Lingling,ZHAO Xiping,ZHOU Mi,et al.Co-moderating effects of knowledge characteristics and tie strength on knowledge transfer:a cost perspective.ScienceofScienceandManagementofS.&T.,2012,33(10):49-57.(in Chinese)

[23] 趙晨,高中華,陳國權.團隊領導學習策略對組織學習影響的仿真研究.系統(tǒng)工程理論與實踐,2015,35(8):2074-2082.

ZHAO Chen,GAO Zhonghua,CHEN Guoquan.A simulation study on the effect on team leader learning strategy on organizational learning.SystemsEngineering-Theory&Practice,2015,35(8):2074-2082.(in Chinese)

[24] 廖列法,王刊良.網絡信息不對稱性、嵌入性與組織學習績效研究.中國管理科學,2011,19(2):174-182.

LIAO Liefa,WANG Kanliang.Effects of information asymmetry and embeddedness on organizational learning.ChineseJournalofManagementScience,2011,19(2):174-182.(in Chinese)

[25] BURTON R M,OBEL B.Computational modeling for what-is,what-might-be,and what-should-be studies-and triangulation.OrganizationScience,2011,22(5):1195-1202.

[26] LAZER D,FRIEDMAN A.The network structure of exploration and exploitation.AdministrativeScienceQuarterly,2007,52(4):667-694.

[27] FANG C,LEE J,SCHILLING M A.Balancing exploration and exploitation through structural design:the isolation of subgroups and organizational learning.OrganizationScience,2010,21(3):625-642.

[28] WATTS D C,WATTS G,STROGATZ S.Collective dynamics of “small-world” networks.Nature,1998,393(6684):440-442.

[29] REN Y,CHEN J,RIEDL J.The impact and evolution of group diversity in online open collaboration.ManagementScience,2016,62(6):1668-1686.

[30] O′REILLY C A,CALDWELL D F,BARNETT W P.Work group demography,social integration,and turnover.AdministrativeScienceQuarterly,1989,34(1):21-37.

[31] JEHN K A,NORTHCRAFT G B,NEALE M A.Why differences make a difference:a field study of diversity,conflict,and performance in workgroups.AdministrativeScienceQuarterly,1999,44(4):741-763.

TheEffectofKnowledgeThresholdsonOrganizationalLearningPerformance

SONG Yanshuang，LIU Renjing

School of Management, Xi′an Jiaotong University, Xi′an 710049, China

Organizational learning can help organizations improve their ability to adapt to dynamic environment, and has been an effective way for them to survive and gain competitive advantages. Existing researches on influencing factors of organizational learning pay much attention to the external factors such as organizational structure, information technology and environmental dynamism. However, few studies consider the differences of knowledge structures among individuals. Due to their differences in education background, areas of expertise, cognitive pattern, etc., individuals have different knowledge bases. The knowledge distance between individuals leads to various levels of capability for knowledge acquisition, absorption and application, and will finally have an effect on learning performance.

From the perspective of individual cognition, using multi-agent based simulation, this paper extends a classic computational model of organizational learning by considering knowledge distance between individuals and introducing knowledge thresholds to limit the fluctuation range of knowledge distance. This paper investigates the effect and mechanism of knowledge thresholds on the performance of organizational learning under conditions of threshold homogeneity and threshold heterogeneity respectively.

The results indicate that: ①In the situation of homogeneous thresholds, the average knowledge level of organization increases with the threshold variation parameters. If nearly half individuals have the chance to interact with others in the beginning of the simulation, almost all the individuals in the network can fully interact through learning, and the knowledge level of the organization can achieve its optimum. ②In the situation of heterogeneous thresholds, as a result of social classification effect, it is difficult for different types of individuals to interact, and their abilities to search for optimal knowledge are limited. Under the same average threshold variation parameter, the average knowledge level of organization with heterogeneous thresholds will be lower than that of the organization with homogeneous thresholds. However, with the increase of the average threshold variation parameters, the difference between heterogeneous and homogeneous organization on the average knowledge level decreases. ③As the scope of individuals′ interaction expands, they will have more opportunities to understand and communicate with each other, and their knowledge will become more homogeneous. Sensitivity analysis shows that after relaxing the assumptions of main control variables, our research results still hold.

This paper clarifies the relationship between knowledge distance and organizational learning performance, and provides a new perspective for the research on influencing factors of organizational learning. Meanwhile, it provides some suggestions for organizational learning practice, such as optimizing the personnel structure, establishing an effective internal communication mechanism and creating a good atmosphere for learning.

knowledge distance；organizational learning；knowledge thresholds；organizational learning performance；social classification

Date:March 15th, 2016

DateJune 18th, 2016

FundedProject:Supported by the National Natural Science Foundation of China(71271166) and the National Social Science Foundation of China(15XGL001)

Biography:SONG Yanshuang is a Ph.D candidate in the School of Management at Xi′an Jiaotong University. Her research interests cover organizational learning and collective intelligence. Her representative paper titled “The reciprocal effect of network structures and bounded confidence on group opinion evolution” was published in theSoftScience(Issue 1, 2016). E-mail：songyanshuang1990@163.com

LIU Renjing, doctor in management, is a professor in the School of Management at Xi′an Jiaotong University. His research interests include corporate strategy and collective intelligence. He is the principal investigator of the research project titled “Formation mechanism and application of collective intelligence: agent-based simulation approach”, funded by the National Natural Science Foundation of China(71271166). E-mail：renjingl@mail.xjtu.edu.cn

F272.9

A

10.3969/j.issn.1672-0334.2016.04.008

1672-0334(2016)04-0094-10

2016-03-15修返日期2016-06-18

國家自然科學基金(71271166)；國家社會科學基金(15XGL001)

宋艷雙，西安交通大學管理學院博士研究生，研究方向為組織學習和集體智能等，代表性學術成果為“網絡結構和有界信任對群體觀點演化過程的交互影響”，發(fā)表在2016年第1期《軟科學》，E-mail：songyanshuang1990@163.com

劉人境，管理學博士，西安交通大學管理學院教授，研究方向為企業(yè)戰(zhàn)略和集體智能，主持國家自然科學基金項目“基于多主體仿真的互聯網集體智能的形成機制和應用研究”(71271166)，E-mail：renjingl@mail.xjtu.edu.cn

□