石 靜 ，孫建軍 ，2

（1. 南京大學信息管理學院，南京 210023；2. 南京大學數(shù)據(jù)智能與交叉創(chuàng)新實驗室，南京 210023）

1 引 言

知識經(jīng)濟時代，技術(shù)創(chuàng)新和科技進步成為推動經(jīng)濟全球化發(fā)展的主要動力，世界主要發(fā)達國家和新興經(jīng)濟體圍繞科技創(chuàng)新的競爭成為國際競爭新焦點。在世界科技競爭大格局中，我國亟須從數(shù)量導向轉(zhuǎn)向數(shù)量質(zhì)量并重，瞄準世界科技前沿，強化基礎(chǔ)研究，實現(xiàn)前瞻性基礎(chǔ)研究、引領(lǐng)性原創(chuàng)成果重大突破。在創(chuàng)新人才方面，習近平總書記在2021 中央人才工作會議中，進一步強調(diào)要樹立“高精尖缺”導向，占領(lǐng)創(chuàng)新高地，讓高層次人才引領(lǐng)科技創(chuàng)新工作[1]。但隨著人類對自然現(xiàn)象、社會現(xiàn)象認識的不斷深入，科技創(chuàng)新問題越來越復雜，已然超出個體的認知范圍和能力。個人知識能力的局限性，使合作創(chuàng)新成為主流模式，創(chuàng)新主體逐漸從單一人才發(fā)展為科技團隊[2]。但同時團隊成員構(gòu)成和個體知識背景的多樣性，導致團隊知識的復雜度隨之提高，團隊創(chuàng)新管理也更加困難。知識是科技創(chuàng)新的基礎(chǔ)，團隊知識測度從知識基礎(chǔ)視角剖析團隊，有助于梳理知識互動關(guān)系，探清團隊合作機制和行為模式，對促進團隊建設(shè)、提高創(chuàng)新績效具有重要的意義。

關(guān)于團隊知識基礎(chǔ)、知識構(gòu)成的研究多見于社會學和組織管理領(lǐng)域，研究對象涉及高管團隊[3]、學術(shù)團隊[4-5]、創(chuàng)業(yè)團隊[6]等。但無論是團隊知識模型的構(gòu)建，還是具體測度方法都比較簡單，無法完全適應(yīng)復雜多樣的創(chuàng)新環(huán)境。例如，應(yīng)用最為廣泛的團隊心智模型，主要從團隊成員共識知識的角度理解團隊知識，對個體特有知識的關(guān)注不足，在度量當下異質(zhì)化程度大幅提高的團隊知識時并不合理。而且，傳統(tǒng)的團隊知識度量多是從知識構(gòu)成要素角度考慮，忽略了要素間的組合方式、關(guān)聯(lián)程度，而這些同樣對團隊績效有影響。此外，與之對應(yīng)的指標測度方法也存在一定局限，早期團隊知識結(jié)構(gòu)較為簡單，以問卷、觀察等的啟發(fā)式測度為主；且這種介入式方法難免存在主觀性或操作偏差，研究結(jié)果的可比性、可復現(xiàn)性較差。因此，隨著團隊成員數(shù)量增加、個體知識背景的復雜度的提高，亟須更為便捷、穩(wěn)定的測度方法。

基于此，本文將科技創(chuàng)新團隊作為研究對象，基于網(wǎng)絡(luò)分析方法，提出一套團隊識別、知識網(wǎng)絡(luò)提取與知識測度方法。具體地，本文所述方法具有如下創(chuàng)新點：①取代以往的經(jīng)驗判斷方法，使用最大連通子圖從全領(lǐng)域合作網(wǎng)絡(luò)中識別團隊；②采用引用關(guān)系拓展個體知識網(wǎng)絡(luò)，對成員個體知識進行更準確的測量，考慮知識所屬成員數(shù)量和成員間合作關(guān)系數(shù)量，對知識節(jié)點進行賦權(quán)，構(gòu)建加權(quán)的團隊知識網(wǎng)絡(luò)；③從位置取向與關(guān)系取向兩個視角整合知識測度指標，加以改進應(yīng)用到團隊知識測度這一新場景中。本文從微觀角度細致刻畫科技創(chuàng)新團隊的知識結(jié)構(gòu)，突破以往團隊知識測度的局限，為進一步分析團隊創(chuàng)新行為與機制、提升創(chuàng)新績效奠定基礎(chǔ)。

2 相關(guān)研究綜述

2.1 團隊與團隊知識

Salas 等[7]將團隊定義為：由兩人或兩人以上組成的、一組可區(qū)分的人，他們動態(tài)地、相互依賴地和適應(yīng)性地，共同針對一個有價值的目標、對象或使命進行互動，其中每個人都具有特定的角色或職能，并且作為成員的時長有限。同時，團隊往往被嵌入特定的組織環(huán)境中，受到該組織環(huán)境的約束與影響[8-9]。與其他群體不同，團隊具有不同的職責和角色，可以處理超越個體能力的復雜任務(wù)。但這種目標的實現(xiàn)依賴于成員間的協(xié)調(diào)與配合，既包括團隊成員社會認知的協(xié)調(diào)，也包括團隊知識能力的凝聚。團隊主要可以分為行動團隊、決策團隊和項目團隊，項目團隊實際上是前兩類的結(jié)合，既要進行決策制定又要采取行動，本文所關(guān)注的科技創(chuàng)新團隊屬于項目團隊。

過去諸多研究已經(jīng)表明了知識基礎(chǔ)會持續(xù)影響其對于復雜、動態(tài)情境的判斷，進而影響團隊行為和績效[6,10-12]。學者從四種視角對團隊知識建模：團隊心智模型（team mental models，TMM）、團隊情境模型（team situation models，TSM）、交互記憶系統(tǒng)（transactive memory system，TMS） 和戰(zhàn)略共識（strategic consensus）[13]。團隊心智模型，是指團隊成員對于任務(wù)或團隊相關(guān)環(huán)境要素的共識性知識，這些知識一般是成員通過正規(guī)培訓、經(jīng)驗、團隊討論等獲得的，相對持久[14]；其內(nèi)容可以是與合作相關(guān)的知識，如角色、職責、知識、技能、信念、偏好等團隊成員信息，或策略提示、任務(wù)操作等與任務(wù)相關(guān)知識。團隊情境模型，主要涉及線索、模式等情境特征，為策略制定、進度評估等提供指導[15]。交互記憶系統(tǒng)將團隊知識定義為團隊用來編碼、存儲和檢索信息的認知系統(tǒng)[4]。戰(zhàn)略共識，被定義為組織中高層或運營管理人員對戰(zhàn)略事項優(yōu)先級的共同理解[16]。Cooke 等[17]在此基礎(chǔ)上，提出了更具整體性的團隊知識概念，將其定義為團隊成員對任務(wù)、團隊、情境等方面集體理解的集合。它既涉及與任務(wù)、團隊有關(guān)的知識，也包括對當前情境的認知；不僅是單個團隊成員知識的總和，還包括成員知識之間相互作用（重疊、分布、互補等）產(chǎn)生的知識結(jié)構(gòu)[18]。

團隊成員除了擁有共同知識之外，還擁有兼容或互補的知識[19]。團隊成員彼此獨立又相互依賴，群體同質(zhì)知識是其良好合作的基礎(chǔ)，但過多的知識重疊又會成為團隊思維的負擔；個體異質(zhì)知識是復雜任務(wù)的必然要求，從某種程度上，也是團隊存在的最大意義。Quatraro[20]對地區(qū)知識進行度量，實證證實除了傳統(tǒng)的知識存量之外，知識凝聚性和多樣性對塑造區(qū)域經(jīng)濟表現(xiàn)也很重要。多數(shù)研究者對知識范圍、共有知識基礎(chǔ)和知識凝聚性對績效增長的積極作用較為認同，但對于知識多樣性的影響莫衷一是。有研究認為團隊多樣性是團隊創(chuàng)造力和知識增長的根本原因[11]，技能與經(jīng)驗的多樣化，擴展了知識范圍，增加了發(fā)現(xiàn)新知識的機會[6]。也有研究證明多樣性阻礙了團隊知識共享，會對績效產(chǎn)生消極影響[21]。還有研究認為知識多樣性的影響是倒U 形的，它可能取決于不同技術(shù)能力相互關(guān)聯(lián)的程度[22]。有學者從認知沖突的調(diào)節(jié)作用解釋這一現(xiàn)象，提出過多的認知沖突帶來過多的認知觀點，產(chǎn)生過量的認知負荷，而這種負荷會干擾其他成員的認知架構(gòu)，進而削弱知識異質(zhì)性對團隊整體創(chuàng)造力的正向影響[23]。

2.2 團隊知識測度

團隊知識測度是理解團隊知識及其與團隊績效的關(guān)系以及設(shè)法促進團隊知識的先決條件。團隊知識是多維度的、多方面的，不同的測量可以反映不同的知識特征[17]。因此，團隊知識的測度目標并不是團隊成員所知道的全部，而是在特定情境內(nèi)，團隊成員的知識及其分布特征。也就是說，團隊知識的測度必須以測量目的為依據(jù)，并且在特定情境中發(fā)展與應(yīng)用。

根據(jù)團隊知識的不同特征，學者們發(fā)展了一系列測量維度， 主要包括知識范圍（knowledge scope）、知識同質(zhì)性 （knowledge homogeneity）、知識異質(zhì)性（knowledge heterogeneity）和知識變化率（knowledge rate of change）等。知識范圍較為簡單，主要指知識總體類型和存量的多少。知識同質(zhì)性，主要度量團隊成員所擁有相似知識的數(shù)量及其結(jié)構(gòu)一致化程度，如知識凝聚性、知識中心性、知識冗余度等指標。知識異質(zhì)性，測量成員知識的類型及其分布的非均勻程度，包括豐富性（variety）、平衡性 （balance） 和差異性 （disparity） 等。知識變化率，則強調(diào)團隊知識的動態(tài)變化，可結(jié)合上述三個維度的指標和時間維度共同測量。在具體情境中，研究者可根據(jù)測度目標組合各個維度，例如，有學者從知識范圍、知識凝聚性等測度團隊知識基礎(chǔ)，并驗證其對績效的不同影響[24]。

指標的測量方法大致分為三類：啟發(fā)方法（elicitation method）、指標方法（metrics method）和整合方法（aggregation method）。啟發(fā)方法，是指通過觀察、訪談、問卷等問題設(shè)置，引導被試者回答問題，測試被試是否具備某種知識。這種方法操作簡單、應(yīng)用廣泛[25-27]，但它往往無法觀察到被試知識的細微差別，且難以持續(xù)追蹤其知識變化。指標方法，是指通過構(gòu)建指標量化知識，具體操作可以將上述引導方法得到的定性數(shù)據(jù)進行編碼得到量化結(jié)果。也有學者基于網(wǎng)絡(luò)科學，利用網(wǎng)絡(luò)拓撲指標進行測量，如構(gòu)建科研合作網(wǎng)絡(luò)，抽取其網(wǎng)絡(luò)結(jié)構(gòu)指標對測度團隊知識多樣化程度，進一步研究其對知識擴散、創(chuàng)新績效的影響[12]。整合方法，則是指綜合利用上述兩種方法得到的結(jié)果加權(quán)得到最終結(jié)果。如結(jié)合團隊知識網(wǎng)絡(luò)的中心化特征對與啟發(fā)方法得到的知識多樣性、文化多樣性對團隊知識進行測量[11]。

綜上，團隊知識是創(chuàng)新活動開展的重要前提，與團隊創(chuàng)新行為和績效息息相關(guān)。過去關(guān)于科技創(chuàng)新團隊的研究，更多地關(guān)注團隊成員及其特征，得到了相距很遠甚至相反的結(jié)論；前期研究對團隊知識基礎(chǔ)及其影響關(guān)注不足，已有的團隊知識測度方法多是采用觀察、訪談、問卷等手段進行，存在主觀性強、操作難度大、難以更新的弊端，需要繼續(xù)對團隊知識測度及其影響進行深入探討。

3 團隊知識網(wǎng)絡(luò)構(gòu)建研究

團隊知識的測度思路有兩種：集體方法與整體方法[17]。集體方法將團隊知識看作單個成員知識的集合，通過測度每個成員的知識匯總為團隊知識。整體方法將團隊視為一個整體，認為團隊知識不僅是個體知識的集合，還要考慮在決策、討論等團隊活動過程中各個要素的交互作用。集體方法在測度上較為簡潔，被廣泛應(yīng)用到團隊知識測度中；但有些研究指出這種簡單疊加可能導致對團隊知識的低估[14]。整體方法考慮的因素更全面，但是由于團隊知識活動及相關(guān)因素十分模糊，其交互作用更是難以客觀、準確地定義，至今仍缺乏實證應(yīng)用。因此，本文采取集體方法進行測度，首先測度個體知識，然后在團隊層面集成。本節(jié)按照團隊識別、團隊知識網(wǎng)絡(luò)構(gòu)建與團隊知識測度的邏輯開展研究，對各部分方法展開詳述，整體流程如圖1 所示。

3.1 團隊識別

關(guān)于團隊知識的研究大多沒有對團隊識別問題給予特殊關(guān)注，多是采用專家訪談、問卷調(diào)研等方法結(jié)合經(jīng)驗判斷確定團隊；或者直接從創(chuàng)新成果出發(fā)，將單篇論文或?qū)＠暮献髡咦鳛橐粋€團隊。這種方式存在兩個問題，首先，若部分個體僅在單個成果中共同署名，可能是外部因素的結(jié)果，嚴格來說并不是真正意義上的團隊；其次，現(xiàn)實生活中的創(chuàng)新團隊一般會有相關(guān)的系列成果，單篇成果的合作者數(shù)量有限，無法涵蓋全部成員，而從實際情況來看，同一個團隊的成員往往存在知識交流和合作創(chuàng)新，即使他們沒有出現(xiàn)在同一個成果中，仍可視為同一個團隊。本文所關(guān)注的科研創(chuàng)新團隊，是指在較長一段時間內(nèi)、為了同一目標持續(xù)合作的兩人或兩人以上的團體或組織。因此，之前的方法并不適用。

隨著網(wǎng)絡(luò)科學的發(fā)展，各種網(wǎng)絡(luò)分析方法也被用于團隊識別。最常用到的是合作關(guān)系網(wǎng)絡(luò)，具體的團隊識別方法不同，如向量空間模型[28]、矩陣因子分析[29]、關(guān)聯(lián)規(guī)則[30]。由于科技成果一般以專利或論文等實體形式呈現(xiàn)，大多數(shù)情況下成果有作者人數(shù)限制，往往不會覆蓋全部團隊成員；但科技團隊中往往會同時進行多項研究或產(chǎn)出系列成果，其中難免有人員重疊，少數(shù)重復出現(xiàn)的成員可以作為“橋梁”牽引出整個團隊，這與網(wǎng)絡(luò)科學中的連通子圖概念相似。在無向圖G中，若從頂點i到頂點j有路徑相連，則稱i和j是連通的。若子圖S滿足以下條件：①S為G的子圖，S連通；②若有S′也是G的連通子圖，且S是S′的子圖，可推出S=S′，則稱S是G的極大連通子圖，又稱最大連通子圖。一個不連通的大型網(wǎng)絡(luò)可以劃分為多個極大連通子圖，子圖內(nèi)部各個節(jié)點均存在直接或間接的聯(lián)系，但子群之間彼此斷裂。由此，本文基于合作網(wǎng)絡(luò)，利用最大連通子圖識別科技創(chuàng)新團隊。

3.2 團隊知識網(wǎng)絡(luò)構(gòu)建

科技創(chuàng)新過程中有價值的知識資本往往包含于難以被清晰表達出的隱性知識中，因此對于成員的知識測度也主要指的是隱性知識測度。隱性知識測度在組織管理領(lǐng)域研究較早，早在1985 年Sternberg便開發(fā)了針對管理者的隱性知識測度量表[31]。2005年，Leonard 等[32]提出了隱性知識的六因素模型，衍生出測度量表，并實證檢驗了量表的有效性。之后有學者針對軟件開發(fā)團隊、項目團隊、管理人員等分別開發(fā)知識測度量表[33-34]。這些量表多結(jié)合問卷、訪談等方法獲取數(shù)據(jù)，應(yīng)用較為廣泛。但這種測度方法具有一定局限性，如難以在大量數(shù)據(jù)上應(yīng)用、被試者易受影響造成測量偏差、量表選擇缺乏統(tǒng)一標準。由此，本文擬直接測度已經(jīng)顯性化的隱性知識，即從創(chuàng)新成果來看，將個體參與研發(fā)的創(chuàng)新成果所涉及的全部技術(shù)知識，定義為個體知識儲備。除了個體直接參與的創(chuàng)新成果，本文還選用成果引用關(guān)系進一步擴展個人知識網(wǎng)絡(luò)。

成員p的知識測度為

若成員p的創(chuàng)新成果或其引用的創(chuàng)新成果中包含技術(shù)i， 則K′(p,i) =i； 否 則 ，K′(p,i) = ?。 那 么 ，Knowledgep·表示成員p擁有的全部技術(shù)知識類型。

以個體知識測度為基礎(chǔ)，在團隊層面聚合得到團隊知識網(wǎng)絡(luò)。假設(shè)團隊t由m個成員構(gòu)成，即t={p1,p2,p3,…,pm}，其團隊知識網(wǎng)絡(luò)中的節(jié)點集為

其中，每個節(jié)點代表一種技術(shù)知識，技術(shù)i的權(quán)重定義為

其中，如果成員p的創(chuàng)新成果或其引用的創(chuàng)新成果中包含技術(shù)i，那么Knowledgepi=1；否則，Knowledgepi= 0。

進一步地，基于成員合作網(wǎng)絡(luò)和個體知識網(wǎng)絡(luò)，計算團隊知識網(wǎng)絡(luò)的連邊及權(quán)重。技術(shù)i與技術(shù)j之間的連邊條數(shù)為

Cpq代表成員p和q的合作次數(shù)。如果技術(shù)i與j同時在成員p和q的知識并集中，那么否則，如果技術(shù)i或j任意一個在成員p和q的知識交集中，那么

例如，有1 個團隊有3 個成員：t={p1,p2,p3}。各個成員的知識網(wǎng)絡(luò)如下：Knowledge1·={N1,N2}，Knowledge2·={N1,N2,N3}， Knowledge3·={N1,N2,N4}。p1與成員p2存在 2 次合作，p1與成員p3存在 1 次合作，團隊合作網(wǎng)絡(luò)及團隊知識網(wǎng)絡(luò)如圖2 所示。

4 團隊知識測度研究

社會網(wǎng)絡(luò)分析中有兩種基本視角：位置取向（positional approach） 和 關(guān) 系 取 向 （relational approach）[35]。前者關(guān)注節(jié)點的社會關(guān)系在網(wǎng)絡(luò)結(jié)構(gòu)中的模式化（patterning），強調(diào)用“結(jié)構(gòu)等效（structural equivalence）”來理解行為；后者關(guān)注節(jié)點之間的關(guān)系，通過社會聯(lián)結(jié)（social connectivity）說明特定的行為和過程?；诖耍瑸楸ＷC結(jié)果的全面性與可對比性，本節(jié)基于兩種視角分別構(gòu)建指標，用于測度團隊知識。

4.1 位置取向的測度

如上文所述，位置取向關(guān)注節(jié)點社會關(guān)系的模式化，這種模式化的結(jié)果實際上就是社會關(guān)系所折射出的社會結(jié)構(gòu)。團隊知識網(wǎng)絡(luò)中的節(jié)點是知識，這種社會關(guān)系就是知識之間的關(guān)聯(lián)。知識并非獨立存在，任何一種知識均鑲嵌在更大的知識網(wǎng)絡(luò)中。團隊成員是知識的載體，由于教育背景、技術(shù)經(jīng)驗的不同，與其他成員所攜帶的知識存在相同或不同之處，即存在群體同質(zhì)知識和個體異質(zhì)知識。前者是合作開展的基礎(chǔ)，后者是復雜創(chuàng)新的要求。

4.1.1 知識重合度

共有知識（mutual knowledge）是互動雙方共同擁有且知道彼此共同擁有的知識[36]。大多數(shù)團隊知識的研究對知識多樣化程度關(guān)注較多，對成員之間的共有知識基礎(chǔ)關(guān)注不足。但科技團隊的合作創(chuàng)新必定是以成員知識結(jié)構(gòu)的重疊區(qū)域為基礎(chǔ)，利用共有知識是團隊知識管理的關(guān)鍵，能夠盡量削弱異質(zhì)性帶來的小群體現(xiàn)象和成員交流障礙[5]；能夠促進團隊形成共同觀念、協(xié)調(diào)行為，共享與整合各類知識[37-38]。早期研究中的知識同質(zhì)性便是關(guān)于此類共有知識的概念。為了進一步定量測度團隊中的知識同質(zhì)化程度，同時反映團隊共有知識的范圍，本文定義知識重合度（knowledge overlap）指標對團隊共有知識范圍和同質(zhì)化程度進行測度：

4.1.2 知識多樣性

異質(zhì)化的知識是實現(xiàn)創(chuàng)新的必要基礎(chǔ)，是團隊創(chuàng)造力的關(guān)鍵來源。團隊成員之間經(jīng)驗和專業(yè)的差異，會影響其信息獲取和觀點形成，進而影響其知識結(jié)構(gòu)[39]。個體知識結(jié)構(gòu)的差異在團隊層面的聚合帶來了團隊整體知識的異質(zhì)化，可以對團隊創(chuàng)新能力與績效產(chǎn)生顯著的積極影響[40]。由此，本文關(guān)注團隊成員由于教育背景、職場經(jīng)歷、工作經(jīng)驗等形成的知識體系的差異化[41]，構(gòu)建知識多樣性指標；團隊成員擁有的多樣性知識之間存在的差異，具體表現(xiàn)在知識背景、認知方式、知識結(jié)構(gòu)等方面[42]。

知識多樣性（knowledge diversity）反映團隊知識類別的豐富性、平衡性和差異性方面的異質(zhì)化特征，同時反映團隊知識組成的種類范圍、分布模式和異質(zhì)化程度。Stirling[43]將豐富性（variety）、平衡性 （balance） 和差異性 （disparity） 整合為統(tǒng)一框架，給出了非參數(shù)計量公式：

其中，sij表示技術(shù)知識i與j的技術(shù)相似度；Pi表示技術(shù)i在整體知識中的占比；Pj表示技術(shù)j在整體知識中的占比。Pi與Pj較易從團隊知識網(wǎng)絡(luò)中計算得到，但sij的獲取較為復雜。

對于sij所指的技術(shù)相似度，一般有兩種測度思路：①從知識流動角度，構(gòu)建技術(shù)流動矩陣：知識流動路徑越多，則技術(shù)相似度越高[44]；②從技術(shù)耦合角度，構(gòu)建技術(shù)共現(xiàn)矩陣，兩類技術(shù)在創(chuàng)新成果中耦合共現(xiàn)越多，則技術(shù)相似度越高[20,24]。為提高準確性，本節(jié)首先采用兩種方法分別測度，然后加權(quán)得到最終的技術(shù)相似度矩陣。

1）知識流動關(guān)系

假設(shè)技術(shù)領(lǐng)域由S類技術(shù)組成。如果技術(shù)i（i=1,2,…,s）與技術(shù)j存在引用關(guān)系，那么Pij= 1；否則，Pij=0。與技術(shù)i存在引用關(guān)系的技術(shù)總量為觀測到的技術(shù)i和j的引用次數(shù)為Cij=將這種關(guān)系應(yīng)用于所有可能的技術(shù)對，則產(chǎn)生一個方陣Χn×n。單元格中存儲技術(shù)間知識流動數(shù)，則矩陣的每行是每項技術(shù)的向量表示：

采用余弦相似度計算得到技術(shù)相似度：

2）技術(shù)耦合關(guān)系

假設(shè)技術(shù)領(lǐng)域由K項專利申請組成。如果專利k被分配了技術(shù)i（i=1,2,…,s），那么Pik= 1；否則，Pik=0。分配給技術(shù)i的專利總數(shù)為同一專利中可能出現(xiàn)兩種技術(shù)，即Oi∩Oj≠?，因此觀測到的技術(shù)i和j的共現(xiàn)次數(shù)為將這種關(guān)系應(yīng)用于所有可能的技術(shù)對，則產(chǎn)生一個方陣Yn×n。單元格中存儲技術(shù)共現(xiàn)數(shù)，則矩陣的每行是每項技術(shù)的向量表示：

采用余弦相似度計算得到技術(shù)相似度：

最終得到的技術(shù)相似度為

比如，計算圖2 中示例團隊t的知識多樣性。如果其涉及的技術(shù)相似度矩陣如表1 所示，那么，團隊t的知識多樣性為

表1 技術(shù)相似度矩陣示例

4.2 關(guān)系取向的測度：知識凝聚性

知識重合度和知識多樣性反映知識網(wǎng)絡(luò)中的節(jié)點特征，從位置取向視角解讀團隊知識的位置模式。但從關(guān)系取向視角來看，即使團隊擁有相同的知識類型和分布，也不一定會有相同的知識結(jié)構(gòu)，因為這些知識之間的關(guān)聯(lián)方式、聯(lián)系密度等都可以有區(qū)別。由此，有學者提出知識凝聚性（knowledge cohesion）指標，考察知識節(jié)點之間的關(guān)系[45]。Nesta等[24]將知識基礎(chǔ)的凝聚性定義為不同知識元素的整合程度。知識元素越相關(guān)，知識基礎(chǔ)越連貫。知識凝聚性表征了各個節(jié)點的地位，反映了各個要素的功能銜接和結(jié)構(gòu)緊湊性，是網(wǎng)絡(luò)結(jié)構(gòu)問題，會影響團隊的知識創(chuàng)新和利用過程[24,46]。

本文借鑒 Teece 等[47]和 Nesta 等[24]的方法原理，加以改進測度知識凝聚性。首先計算每項技術(shù)與團隊網(wǎng)絡(luò)中其他技術(shù)的相關(guān)度，定義為

其中，sij表示技術(shù)i和j之間的技術(shù)相關(guān)度；Pjt表示團隊t中技術(shù)j的知識量；Eij表示技術(shù)i和j之間連邊的數(shù)量；WARit表示技術(shù)i與團隊t的知識網(wǎng)絡(luò)中其他知識的加權(quán)平均相關(guān)度[47]。若WARit＞1，則表示技術(shù)i與團隊知識中的其他技術(shù)相關(guān)度很高。團隊知識凝聚性是團隊知識中全部技術(shù)的加權(quán)和：

其中，Pit表示團隊t中技術(shù)i的知識量；COHt表示團隊t的知識凝聚性。同理，若COHt＞1，則表示團隊t中的知識整體關(guān)聯(lián)度較高。

比如，圖2 中示例團隊t的知識凝聚性為

5 實驗及結(jié)果分析

5.1 數(shù)據(jù)來源

專利作為重要的科技創(chuàng)新成果，是個體教育背景、知識技能和職業(yè)經(jīng)驗等各個維度的綜合反映，因此，本文將專利作為團隊知識網(wǎng)絡(luò)構(gòu)建與知識測度的數(shù)據(jù)基礎(chǔ)。生物制藥領(lǐng)域是一個發(fā)展較早、較成熟的交叉科學領(lǐng)域，適用于探索合作創(chuàng)新問題，因此進一步選擇生物醫(yī)藥領(lǐng)域的科技創(chuàng)新團隊作為研究對象。具體地，選擇PATSTAT 全球?qū)＠麛?shù)據(jù)庫中2000—2019 年的全部專利數(shù)據(jù)作為數(shù)據(jù)來源，從中提取出三個子數(shù)據(jù)集用于不同的實驗?zāi)康模ū?）。如Salas 等[7]在團隊定義中所述，團隊具有特定的目標和一定的時限，若兩項專利相距時間過長，則難以判定其是否是針對同一目標、穩(wěn)定合作的團隊。因此，選取2017—2019 年的專利數(shù)據(jù)用于團隊識別，2000—2016 年的數(shù)據(jù)用于測度團隊成員個體在加入團隊時已經(jīng)攜帶的知識，以及知識之間的聯(lián)系。

5.2 團隊識別結(jié)果

基于表2 中的子數(shù)據(jù)集2 利用連通子圖識別進行創(chuàng)新團隊識別。過去研究證明，90%的科技創(chuàng)新團隊規(guī)模在10～40 人，且團隊規(guī)模會帶來成果新穎性的邊際遞減，新穎性在大約10 人的團隊中就已經(jīng)增長緩慢，之后急劇下降[48-49]。據(jù)此，本文將團隊規(guī)模限制為2～30 人，共得到35730 支團隊。此外，有些團隊在2017—2019 年合作申請專利僅有1件，這種“曇花一現(xiàn)”式的臨時合作并不符合本文對團隊的定義，因此進一步將其刪減，得到10261支團隊，涉及52227 位發(fā)明人。由于部分團隊發(fā)明人在2016 年之前并未申請專利，導致無法測度其個人知識結(jié)構(gòu)，影響團隊知識測度的準確性，進一步刪減這部分數(shù)據(jù)，只保留可以完全精準測度的團隊，最終得到團隊5753 支，涉及發(fā)明人29686 位。圖3 展示了10261 支創(chuàng)新團隊的團隊規(guī)模分布情況。從結(jié)果來看，與之前研究的結(jié)果一致，大多數(shù)團隊規(guī)模在10 人以下，多于20 人的團隊極少。以往研究中，專利申請數(shù)量常被用來指代創(chuàng)新績效[50-51]，并且被證明是較為簡潔、有效的測量指標[52]，因此本文采用專利申請數(shù)量測度團隊創(chuàng)新績效。圖4 展示了這些團隊在2017—2019 年的創(chuàng)新績效。相比于團隊規(guī)模，團隊績效呈現(xiàn)明顯的長尾，超過50%的團隊僅有2 件專利。

表2 數(shù)據(jù)概況

為評估團隊識別效果，按照團隊規(guī)模分層抽取30 個團隊進行人工核驗，均通過。部分結(jié)果如表3所示。

表3 團隊識別結(jié)果展示

5.3 團隊知識測度結(jié)果

依據(jù)3.2 節(jié)所述方法構(gòu)建上述5753 支團隊的知識網(wǎng)絡(luò)；根據(jù)第3 節(jié)，從知識重合度、知識多樣性和知識凝聚性三個方面對團隊知識進行測度。

知識重合度測度團隊成員知識結(jié)構(gòu)的重疊部分，為科技創(chuàng)新提供合作基礎(chǔ)。圖5 展示了團隊知識重合度的分布情況。知識重合度峰值分布在右側(cè)極端值附近，整體均值為0.56，且分布均勻。知識重合度為1 的團隊共有1256 個，占比22%，這部分團隊成員間知識完全重合；知識重合度為0 的團隊共有64 個，占比僅為1%，團隊規(guī)模均在2～3 人。

知識多樣性反映團隊知識結(jié)構(gòu)的異質(zhì)化特征，是突破式創(chuàng)新的重要來源。圖6 展示了團隊知識多樣性的分布。相比于知識重合度，知識多樣性的分布更為均勻分散，極端值較少；均值為0.59，整體左偏，說明生物醫(yī)藥領(lǐng)域創(chuàng)新團隊知識異質(zhì)化程度不均，且占比都相當。

知識凝聚性反映團隊知識網(wǎng)絡(luò)中各節(jié)點的功能銜接和結(jié)構(gòu)一致性，團隊知識只有在凝聚性和多樣性之間獲得良好平衡，才能最大限度激發(fā)協(xié)同創(chuàng)新潛力。從圖7 上看，團隊知識凝聚性與重合度、多樣性的分布差別較大，有明顯的長尾；均值僅為0.05，大多數(shù)團隊的知識凝聚性很差，僅有不足1%的團隊知識凝聚性大于0.5。

5.4 結(jié)果討論與分析

為進一步分析上述知識測度指標的真正含義與效力，本節(jié)針對5.3 節(jié)中的計算結(jié)果，計算三個指標間的相關(guān)關(guān)系，結(jié)果如圖8 所示。變量之間均呈現(xiàn)顯著相關(guān)關(guān)系，但由于知識重合度與知識多樣性測度知識網(wǎng)絡(luò)中的節(jié)點屬性是團隊知識構(gòu)成問題，而知識連貫性測度知識網(wǎng)絡(luò)中節(jié)點的關(guān)系是團隊知識結(jié)構(gòu)問題，重合度和多樣性分別測度團隊知識的同質(zhì)化與異質(zhì)化程度，呈現(xiàn)負相關(guān)關(guān)系。共有知識的增加會提升知識凝聚性，而知識多樣性的增加會降低團隊知識結(jié)構(gòu)的緊湊性。在三個指標中，只有知識多樣性與團隊成果數(shù)量呈現(xiàn)正相關(guān)，但影響不及團隊知識規(guī)模。

觀察發(fā)現(xiàn)，同樣作為知識組成測度指標的知識重合度和多樣性類似于查全率與查準率，此處借鑒F-score 構(gòu)建Comscore用于測度知識組成：

使用Comscore、coherence 分別測度知識組成與知識結(jié)構(gòu)，圖9 展示了5753 支團隊的知識分布。兩條虛線是兩個指標的均值線，以其為界限，將團隊劃分為4 個群體，用點的形狀表征。首先，從知識結(jié)構(gòu)看，絕大部分團隊表現(xiàn)很差，這部分團隊具有團隊規(guī)模小、知識組成分布廣泛的特點；隨著知識結(jié)構(gòu)的逐漸優(yōu)化，知識組成的分布范圍逐漸收縮，最終穩(wěn)定在均值之下。其次，大多數(shù)情況下知識組成與知識結(jié)構(gòu)是負相關(guān)關(guān)系，但在Group_4 中，知識結(jié)構(gòu)與知識組成呈正相關(guān)，也就是說，當團隊知識凝聚性很差時，其知識組成仍然可以獲得較好的表現(xiàn)，但令人意外的是，這部分團隊的平均創(chuàng)新績效最高，甚至超出了Group_1。實際上，從創(chuàng)新績效來看，位于對角線的Group_1 和Group_4 相當，比Group_2 和Group_3 好很多，似乎在團隊創(chuàng)新中，知識組成比知識結(jié)構(gòu)影響更大。

表4 進一步給出了各組團隊的相關(guān)指標，并抽取代表性團隊進行展示。Group_1 與Group_3 相比于其他兩組，知識網(wǎng)絡(luò)的節(jié)點更多，團隊知識組成更豐富；但Group_1 中的知識結(jié)構(gòu)凝聚性更高，其涉及的技術(shù)領(lǐng)域更多，跨度更大，例如，Team_5021 橫跨 A、B、C、E、F、G、H 等 7 個技術(shù)大類，而Group_3 中跨度較大的Team_34 僅包括A、B、C、G、H。Group_1 與 Group_2 相比于其他兩組，團隊知識結(jié)構(gòu)凝聚性更高，尤其Group_2 的知識組成簡單，結(jié)構(gòu)連貫性更明顯，知識網(wǎng)絡(luò)中存在較為穩(wěn)定的拓撲結(jié)構(gòu)，以技術(shù)創(chuàng)新中較為常規(guī)的知識組合為主，例如，“A61P（化合物或藥物制劑的特定治療活性）-A61K（醫(yī)用、牙科用或梳妝用的配制品）-C07D（雜環(huán)化合物）”的知識組合同時出現(xiàn)在3 支團隊中。

表4 各組團隊相關(guān)指標及知識網(wǎng)絡(luò)示例

為進一步探究團隊規(guī)模、團隊績效與團隊知識的關(guān)系，分別繪制相關(guān)關(guān)系圖，如圖10 和圖11所示。

結(jié)合圖8 和圖10 可以發(fā)現(xiàn)，團隊規(guī)模與知識凝聚性呈正相關(guān)關(guān)系，但與多樣性和重合度關(guān)系不大，這可能是因為大型團隊常發(fā)展成熟，有一定規(guī)模的技術(shù)方向，經(jīng)過長期積累，已經(jīng)形成相對穩(wěn)定一致的知識體系，創(chuàng)新目標也更傾向于常規(guī)創(chuàng)新，因此通常由具有固定知識背景的成員構(gòu)成。突破式創(chuàng)新往往產(chǎn)生于交叉、新興領(lǐng)域，由于其未來的不確定性，探索者也多是小型團隊，這些團隊的成員知識結(jié)構(gòu)差距大，甚至來自之前毫無交集的兩個領(lǐng)域，知識凝聚性就偏低。例如，知識凝聚性最高的792 號團隊有13 名成員，全部來自A61K （醫(yī)用、牙科用或梳妝用的配制品）、C07D（雜環(huán)化合物）和A61P（化合物或藥物制劑的特定治療活性）這三個技術(shù)領(lǐng)域；知識凝聚性最低的5212 號團隊僅有3 名成員，卻涉及480 個技術(shù)領(lǐng)域，包括A～H 全部技術(shù)大類。這與前人研究結(jié)果一致，即突破式創(chuàng)新往往出現(xiàn)在小型、新型團隊中[49]。

團隊績效與團隊知識的關(guān)系完全不同。圖11 顯示，首先，知識重合度、多樣性與績效之間是明顯的倒U 形關(guān)系，也就是說，團隊知識組成對績效的影響均存在一個最優(yōu)解，超過這個最優(yōu)解時，無論是共有的知識基礎(chǔ)，還是異質(zhì)化的知識都會產(chǎn)生相反影響。其次，兩條曲線存在交叉點，在早期重合度和多樣性都不高的時候，共有知識似乎具有更大的影響；過了交叉點時，異質(zhì)化的知識能夠使團隊績效仍然不至于跌到很低。這與Awtrey[53]所述的團隊知識組成決定團隊績效上下限的觀點相一致。

6 結(jié)論與展望

本研究旨在通過抽取科技創(chuàng)新團隊的知識網(wǎng)絡(luò)來測度團隊知識。以全領(lǐng)域?qū)＠麛?shù)據(jù)與生物醫(yī)藥領(lǐng)域的團隊為例，基于連通子圖探測方法識別創(chuàng)新團隊，通過構(gòu)建團隊-發(fā)明人網(wǎng)絡(luò)、發(fā)明人-知識網(wǎng)絡(luò)和知識-知識網(wǎng)絡(luò)，使用集體方法構(gòu)建團隊知識網(wǎng)絡(luò)。進而，從位置視角（網(wǎng)絡(luò)節(jié)點）與關(guān)系視角（網(wǎng)絡(luò)關(guān)系）定義了知識重合度、知識多樣性和知識凝聚性三個指標，測度團隊知識。然后，對指標之間以及指標與團隊規(guī)模、團隊績效之間的關(guān)系進行討論，加深對指標含義及其影響的理解。本研究結(jié)果表明，在生物醫(yī)藥領(lǐng)域，科技創(chuàng)新團隊的知識結(jié)構(gòu)差異較大，尤其在知識多樣性與知識凝聚性上對比明顯，大多數(shù)團隊知識異質(zhì)化程度較高，知識之間缺乏結(jié)構(gòu)連貫性。相比于關(guān)系特征，知識節(jié)點的位置特征（知識重合度與多樣性）對團隊績效的促進效應(yīng)更強，因此對于合作創(chuàng)新的團隊而言，在保證共有知識的基礎(chǔ)上，應(yīng)當增加更多異質(zhì)知識。但知識重合度和多樣性與團隊績效的關(guān)系存在一個最優(yōu)點，超出這個點，反而會對團隊績效產(chǎn)生抑制。此外，知識凝聚性與團隊規(guī)模正相關(guān)，與團隊績效負相關(guān)，這可能是因為常規(guī)的漸進式創(chuàng)新往往與更大規(guī)模的團隊、更一致的知識相關(guān)聯(lián)，更大規(guī)模的團隊亦不能無限制地增加異質(zhì)知識；反之，突破式創(chuàng)新常常與小規(guī)模、更異質(zhì)的知識相關(guān)聯(lián)，雖然知識凝聚性不高，但往往具有更大的創(chuàng)新可能性，知識生產(chǎn)速度更快。

從理論上來看，本研究可以幫助更好地理解團隊創(chuàng)新行為?？萍紕?chuàng)新是一種風險性與偶然性較高的活動，合作研究可以幫助提升成功率，降低風險，團隊創(chuàng)新也逐漸受到更多的關(guān)注。已有研究證明了團隊規(guī)模與績效的倒U 形關(guān)系[49]：規(guī)模并非越大越好，“小而美”的團隊反而具有更好的創(chuàng)新表現(xiàn)。本研究從團隊知識基礎(chǔ)的視角拓展了這一結(jié)論：大小團隊之分不僅在于成員的多少，在科技創(chuàng)新過程中，大團隊往往意味著更多種類、更大范圍的知識，這些知識彼此交叉融合，更易激發(fā)創(chuàng)新的產(chǎn)生，也使“大科學”“交叉創(chuàng)新”的呼聲高漲。但本研究也證明交叉性的知識對創(chuàng)新績效的作用與團隊規(guī)模的效應(yīng)相似，存在特定場景下的最優(yōu)解。具體地，突破式創(chuàng)新往往產(chǎn)生于知識異質(zhì)性較強的小團隊，其具有相對靈活的創(chuàng)新機制，能夠更好地整合多樣化的知識；漸進式創(chuàng)新往往與共有知識、一致的知識結(jié)構(gòu)、較大的團隊規(guī)模相關(guān)聯(lián)，在這種情況下，團隊共有的知識基礎(chǔ)能夠很好地協(xié)調(diào)各個成員，降低知識交流的門檻。因此，從實踐角度來說，進行跨學科團隊構(gòu)建必須充分考慮學科知識的特征、知識之間的關(guān)聯(lián)關(guān)系和不同的創(chuàng)新目標，以尋求知識結(jié)構(gòu)與創(chuàng)新目標、團隊績效間的平衡。對于已構(gòu)建的團隊，則需要提取、評估當前知識結(jié)構(gòu)，在具體創(chuàng)新場景的參照下，針對性地優(yōu)化知識結(jié)構(gòu)，更好地指導團隊創(chuàng)新活動。

本研究提出的團隊知識測度方法也存在一定的局限性。第一，由于使用集體方法直接測度團隊整體的知識不具有操作性，本研究采用集合方法測度團隊知識，但團隊知識并不是團隊成員個人知識的簡單加和，因此可能存在偏差。第二，本研究作為科技創(chuàng)新團隊研究的基礎(chǔ)工作，本著全面理解的原則，僅對相關(guān)指標進行了測度，對這些指標與創(chuàng)新績效的復雜關(guān)系并未做細致探討，這也是下一步的研究方向。最后，本研究只采用生物醫(yī)藥領(lǐng)域的專利數(shù)據(jù)進行實證，需要進一步針對不同技術(shù)領(lǐng)域的科學文獻、專利數(shù)據(jù)開展研究，一方面可以驗證方法的普適性，另一方面也可以做對比分析。