摘 要：針對包容型領(lǐng)導(dǎo)對員工工作表現(xiàn)的影響難以量化的問題，采用實(shí)證研究的方法，構(gòu)建ESN 模型并分析其隱藏層的特點(diǎn)，將包容型領(lǐng)導(dǎo)的特性歸納為開放性、有效性和易接近性并將其對應(yīng)ESN 模型的輸入神經(jīng)元，員工工作表現(xiàn)對應(yīng)ESN 模型的輸出神經(jīng)元。研究表明：包容型領(lǐng)導(dǎo)的開放性、有效性對員工工作表現(xiàn)有顯著積極影響；易接近性對員工工作表現(xiàn)影響不顯著。研究結(jié)論為進(jìn)一步調(diào)動(dòng)員工工作積極性、提高工作效率提供參考。

關(guān)鍵詞：ESN 模型；包容型領(lǐng)導(dǎo)；員工工作表現(xiàn)

中圖分類號：F 272 文獻(xiàn)標(biāo)志碼：A 文章編號：1008-391X（2024）02-0104-08

0 引言

“90 后”“00 后”員工逐漸成為企業(yè)的中堅(jiān)力量[1]，但新生代員工在工作中容易產(chǎn)生挫敗感且抗壓能力較差[2]，特別是受到懲罰時(shí)自我調(diào)節(jié)能力較差[3]。為減輕工作壓力，激發(fā)員工的工作熱情，越來越多的企業(yè)采取積極的管理方式[4]。包容型領(lǐng)導(dǎo)以強(qiáng)調(diào)平等、尊重員工個(gè)體差異、包容性強(qiáng)的領(lǐng)導(dǎo)風(fēng)格成為關(guān)注熱點(diǎn)[5]。

1 文獻(xiàn)綜述

已有關(guān)于包容型領(lǐng)導(dǎo)的研究表明，包容型領(lǐng)導(dǎo)能夠顯著影響員工的工作態(tài)度，如調(diào)動(dòng)員工的主動(dòng)性行為[6]，提升員工創(chuàng)新績效[7]以及工作滿意度[8]等。BERRIDGE 等[9]研究了員工心理壓力大、離職率高的問題，構(gòu)建了以滿意度為中介變量的結(jié)構(gòu)方程模型，研究表明，包容型領(lǐng)導(dǎo)更有助于降低新生代員工的流動(dòng)性。古銀華等[10]研究表明，包容型領(lǐng)導(dǎo)更易與新生代員工協(xié)同配合，為新生代員工創(chuàng)造更好的工作環(huán)境和組織氛圍?？嘴n等[6]通過構(gòu)建結(jié)構(gòu)方程模型研究發(fā)現(xiàn)，包容型領(lǐng)導(dǎo)對員工的主動(dòng)性行為有顯著正向影響。唐婭婷等[11]研究表明，以權(quán)力中心為調(diào)節(jié)變量的包容型領(lǐng)導(dǎo)與員工的組織認(rèn)同、主動(dòng)性行為顯著正相關(guān)。蘇屹等[12]研究表明，包容型領(lǐng)導(dǎo)顯著影響員工的創(chuàng)新行為。

領(lǐng)導(dǎo)風(fēng)格對員工個(gè)體行為的影響是一個(gè)復(fù)雜的過程，同一領(lǐng)導(dǎo)風(fēng)格的不同特征對個(gè)體行為產(chǎn)生不同程度的影響[13]。CARMELI等[14]將包容型領(lǐng)導(dǎo)的主要特征總結(jié)為開放性、有效性和易接近性，并被廣泛認(rèn)可[15]。包容型領(lǐng)導(dǎo)的開放性是指領(lǐng)導(dǎo)能夠讓下屬參與決策并積極聽取下屬的意見[16]，這種特性為員工營造了能夠總結(jié)自己失敗的原因并積極尋找有效解決措施的工作環(huán)境。包容型領(lǐng)導(dǎo)的開放性顯著影響員工工作態(tài)度，王雁飛等[17]認(rèn)為，包容型領(lǐng)導(dǎo)顯著影響員工建言行為，開放性高的包容型領(lǐng)導(dǎo)更愿意聽取員工意見，共同討論解決方案，更有利于調(diào)動(dòng)員工工作積極性。包容型領(lǐng)導(dǎo)的有效性是指領(lǐng)導(dǎo)能夠給予員工專業(yè)的建議，在員工工作過程中給予有效支持，并能夠在員工遭受失敗時(shí)提供幫助和指導(dǎo)[14]。包容型領(lǐng)導(dǎo)的有效性對員工工作態(tài)度的影響顯著，毛蘭香[18]認(rèn)為，員工創(chuàng)新失敗后包容型領(lǐng)導(dǎo)對員工有激勵(lì)作用。包容型領(lǐng)導(dǎo)的有效性能夠降低員工因經(jīng)歷失敗而產(chǎn)生的挫敗感[16]，有效性突出的包容型領(lǐng)導(dǎo)，能夠給予員工更多的支持和有效指導(dǎo)。包容型領(lǐng)導(dǎo)的易接近性是指員工能夠及時(shí)與領(lǐng)導(dǎo)溝通交流并獲得支持。易接近性越高代表領(lǐng)導(dǎo)與員工的聯(lián)系越密切。劉泱等[19]驗(yàn)證了包容型領(lǐng)導(dǎo)的易接近性、開放性等可以共同激發(fā)員工工作的積極性。但已有研究成果中缺少包容型領(lǐng)導(dǎo)對員工工作表現(xiàn)影響的模型化、定量化分析。

在已有研究的基礎(chǔ)上，針對包容型領(lǐng)導(dǎo)對員工工作表現(xiàn)的影響難以量化的問題，借助BP（back propagation，BP）神經(jīng)網(wǎng)絡(luò)，運(yùn)用ESN（echo state network，ESN）模型對包容型領(lǐng)導(dǎo)對員工工作表現(xiàn)的影響進(jìn)行研究。通過ESN 模型輸入的微調(diào)，進(jìn)一步分析包容型領(lǐng)導(dǎo)的開放性、有效性、易接近性對員工工作表現(xiàn)的影響。

2 模型構(gòu)建

領(lǐng)導(dǎo)風(fēng)格對員工工作表現(xiàn)的影響是一個(gè)多層次的復(fù)雜問題，不僅涉及個(gè)體層面，也涉及組織層面[20]。包容型領(lǐng)導(dǎo)風(fēng)格的不同特性對員工工作表現(xiàn)的影響較難量化，同時(shí)，各特性之間可能存在相互作用。隨著學(xué)科間交叉、融合的深入，工程預(yù)測與決策中的模型和方法在定量解決社會(huì)學(xué)相關(guān)問題的過程中發(fā)揮了重要作用，神經(jīng)網(wǎng)絡(luò)就是工程學(xué)、心理學(xué)和組織行為學(xué)等學(xué)科交叉研究的重要工具[21]。

2.1 ESN模型構(gòu)建

ESN 模型構(gòu)建與BP 神經(jīng)網(wǎng)絡(luò)中的層次結(jié)構(gòu)和神經(jīng)元組織相同。然而，ESN 模型的隱藏層設(shè)計(jì)與傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)不同，ESN模型采用隨機(jī)生成、固定不變的內(nèi)部權(quán)重矩陣連接神經(jīng)元構(gòu)成儲(chǔ)備池，作為隱藏層。這種層次結(jié)構(gòu)更有利于量化研究包容型領(lǐng)導(dǎo)風(fēng)格與員工工作表現(xiàn)之間的關(guān)系，也更有利于解決實(shí)際應(yīng)用中的非線性問題。

在分析包容型領(lǐng)導(dǎo)與員工工作表現(xiàn)的關(guān)系時(shí)，由于包容型領(lǐng)導(dǎo)風(fēng)格的不同特性與員工個(gè)體之間存在相互作用，形成了難以量化的非線性關(guān)系，神經(jīng)網(wǎng)絡(luò)能夠有效處理非線性問題。但傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)采用梯度下降算法[22]，收斂速度較慢，預(yù)測精度不高，導(dǎo)致一般的神經(jīng)網(wǎng)絡(luò)難以完成訓(xùn)練過程，無法取得預(yù)期的收斂效果。ESN 模型沿用了BP 神經(jīng)網(wǎng)絡(luò)模型輸入層、隱藏層、輸出層的3 級結(jié)構(gòu)，但在隱藏層進(jìn)行了改進(jìn)[23]。ESN 模型隱藏層神經(jīng)元之間實(shí)現(xiàn)稀疏連接，降低了解決實(shí)際問題過程中的耦合性[24]。同時(shí)，ESN 模型具有較強(qiáng)的非線性預(yù)測功能。因此，選擇ESN 模型能夠有效解決包容型領(lǐng)導(dǎo)對員工工作表現(xiàn)的影響難以量化的問題。基于此，構(gòu)建包容型領(lǐng)導(dǎo)對員工工作表現(xiàn)影響ESN 模型，見圖1。

構(gòu)建的ESN 模型由輸入層、隱藏層、輸出層3 個(gè)部分組成。3 個(gè)層次的神經(jīng)元公式為

式（1）～式（3）中：I（k）為輸入層神經(jīng)元向量；C（k）為隱藏層神經(jīng)元向量；O（k）為輸出層神經(jīng)元向量；l 、m 、n 為對應(yīng)層次中的神經(jīng)元個(gè)數(shù)； k 為樣本值。

ESN 模型中，3 個(gè)層次之間的神經(jīng)元是通過權(quán)重矩陣連接的，因此，輸入層、隱藏層、輸出層之間的權(quán)重關(guān)系矩陣為

式中： E（i）為輸入層、隱藏層、輸出層之間的權(quán)重矩陣；a（i）和b（i）為各權(quán)重矩陣的維數(shù)。

（1）當(dāng)i 取1 時(shí)，a（1）和b（1）分別取l 和m，此時(shí)E（1）表示的是輸入層和隱藏層之間的一個(gè)l ×m維的權(quán)重矩陣。

（2）當(dāng)i 取2 時(shí)，a（2）和b（2）分別取m 和n，此時(shí)E（2）表示的是輸出層和隱藏層之間的一個(gè)m× n維的權(quán)重矩陣。

（3）當(dāng)i 取3 時(shí)，a（3）和b（3）分別取m 和m，此時(shí)E（3）表示的是隱藏層中各神經(jīng)元之間的一個(gè)m×m維的權(quán)重矩陣。

在迭代過程中，當(dāng)樣本值k 變化為k +1時(shí)，系統(tǒng)狀態(tài)更新為

式（5）、式（6）中： X 1 為隱藏層神經(jīng)元的激活函數(shù)； X2 為輸出層神經(jīng)元的激活函數(shù)；I（k +1）為此時(shí)刻的輸入向量；C（k +1）為此時(shí)刻儲(chǔ)備池的狀態(tài)向量；C（k）為上一時(shí)刻儲(chǔ)備池的狀態(tài)向量；O（k +1）為此時(shí)刻的輸出向量。在訓(xùn)練過程中，當(dāng)滿足｜O（k+1）?O（k）｜ lt;ε條件時(shí)，停止?fàn)顟B(tài)更新，迭代過程結(jié)束。

2.2 ESN模型預(yù)測流程

ESN 模型的迭代多步分析預(yù)測流程見圖2。具體過程如下。

（1）初始化ESN 模型，對ESN 模型中的關(guān)鍵參數(shù)進(jìn)行配置。

（2）重構(gòu)ESN 模型一級神經(jīng)元與三級神經(jīng)元之間的關(guān)系。

（3）對重構(gòu)后的ESN 模型進(jìn)行解構(gòu)處理并重新訓(xùn)練，直到ESN 模型達(dá)到收斂狀態(tài)時(shí)輸出關(guān)系矩陣。

（4）對ESN 模型解構(gòu)后的關(guān)系矩陣多次進(jìn)行單步分析，得到ESN 多步分析結(jié)果。

3 ESN模型訓(xùn)練

3.1 實(shí)驗(yàn)設(shè)計(jì)

使用ESN 模型分析包容型領(lǐng)導(dǎo)的3 種特性對員工工作表現(xiàn)的影響，開放性、有效性、易接近性分別對應(yīng)3 個(gè)輸入神經(jīng)元1 I 、2 I 、3 I ，員工工作表現(xiàn)對應(yīng)輸出神經(jīng)元O。由于隱藏層的特點(diǎn)，無法觀測輸入層與輸出層之間如何建立關(guān)聯(lián)，但通過多次迭代使ESN 模型達(dá)到收斂狀態(tài)后，ESN 模型的非線性處理能力可以在不直接相關(guān)的現(xiàn)象之間建立穩(wěn)定的結(jié)構(gòu)關(guān)系。

在ESN 模型達(dá)到穩(wěn)定狀態(tài)后，首先嘗試調(diào)整其中一個(gè)輸入數(shù)據(jù)使其產(chǎn)生微小變化，并判斷由這一變化引起的訓(xùn)練誤差的變化。其次，將包容型領(lǐng)導(dǎo)的3 種特性作為輸入神經(jīng)元進(jìn)行微調(diào)，將其與作為輸出神經(jīng)元的員工工作表現(xiàn)進(jìn)行對比。最后，依次微調(diào)代表包容型領(lǐng)導(dǎo)3 種特性的變量，觀察由其所引起的訓(xùn)練誤差的變化，進(jìn)而判斷這3 個(gè)變量對員工工作表現(xiàn)的影響程度。

3.2 實(shí)驗(yàn)數(shù)據(jù)來源

為進(jìn)一步分析包容型領(lǐng)導(dǎo)的3 種特性對員工工作表現(xiàn)的影響，選取以包容型為主要領(lǐng)導(dǎo)方式的遼寧省汽車制造業(yè)企業(yè)F 為研究對象，被試者包括1 名領(lǐng)導(dǎo)和18 名員工。18名員工分別按照5 分制的標(biāo)準(zhǔn)對包容型領(lǐng)導(dǎo)的3 種特性（開放性、有效性、易接近性）進(jìn)行評分，并計(jì)算近一年的得分平均值；同時(shí)，包容型領(lǐng)導(dǎo)按照5 分制的標(biāo)準(zhǔn)對18 名員工近一年的工作表現(xiàn)進(jìn)行評分并計(jì)算平均值，具體見表1。

3.3 關(guān)鍵參數(shù)值設(shè)置

ESN 模型中能夠影響數(shù)據(jù)分析結(jié)果和訓(xùn)練迭代的因素不僅包括網(wǎng)絡(luò)結(jié)構(gòu)本身，還取決于ESN 模型中關(guān)鍵參數(shù)的設(shè)定。

（1）通常情況下，使用參數(shù)N 來表示二級神經(jīng)元的數(shù)量和規(guī)模。一般來說，參數(shù)N的值越大，ESN 模型的準(zhǔn)確性越高，但為防止參數(shù)N 過大而導(dǎo)致過擬合問題，根據(jù)研究需要先選取一個(gè)較小的N 值，再逐漸擴(kuò)大，經(jīng)多次實(shí)驗(yàn)后確定適合值。

（2）參數(shù)R 為二級神經(jīng)元之間關(guān)系的譜半徑，在形式上，該參數(shù)對應(yīng)式（2）中的最大特征值，同時(shí)，也能夠通過這一參數(shù)反映ESN 模型的整體記憶能力。參數(shù)R 需要適度選取，取值過大會(huì)影響輸出結(jié)果的穩(wěn)定性，取值過小會(huì)導(dǎo)致ESN 模型在處理復(fù)雜任務(wù)時(shí)丟失重要信息、梯度消失以及陷入局部極小值。因此，參數(shù)R 的最佳取值范圍為（0，1）。

（3）參數(shù)δ 為一級神經(jīng)元與二級神經(jīng)元的連接權(quán)值，該參數(shù)反映ESN 模型處理非線性問題的能力。

（4）參數(shù)D 為二級神經(jīng)元之間關(guān)聯(lián)關(guān)系的稀疏程度，如果這一參數(shù)的取值過小，會(huì)導(dǎo)致ESN 模型整體的耦合性增加，進(jìn)而導(dǎo)致迭代困難。但如果該參數(shù)的取值過大，則會(huì)導(dǎo)致二級神經(jīng)元的活躍度過高，因此，參數(shù)D 的最佳取值范圍為（0.01，0.10）。ESN模型關(guān)鍵參數(shù)值設(shè)置見表2。

3.4 3種模型訓(xùn)練誤差對比分析

為進(jìn)一步檢驗(yàn)ESN 模型的穩(wěn)定性，分別選取BP 神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（supportvector machines，SVM）對上述數(shù)據(jù)進(jìn)行訓(xùn)練。將包容型領(lǐng)導(dǎo)的開放性、有效性、易接近性作為輸入特征值，員工工作表現(xiàn)作為輸出特征值進(jìn)行訓(xùn)練，分別計(jì)算3 種模型的訓(xùn)練誤差，結(jié)果見圖3。

由圖3 可知，ESN 模型的訓(xùn)練誤差范圍為（-0.1，0.1），BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差范圍為（-0.4，0.2），SVM 模型的訓(xùn)練誤差范圍為（-0.5，0.4）。因此，ESN 模型訓(xùn)練誤差范圍最小，選取ESN 模型進(jìn)行分析，結(jié)果更準(zhǔn)確。

4 ESN模型訓(xùn)練結(jié)果

4.1 包容型領(lǐng)導(dǎo)的開放性作為輸入變量微調(diào)過程中引起的變化

由圖3 可知，ESN 模型達(dá)到穩(wěn)定狀態(tài)后，員工工作表現(xiàn)的訓(xùn)練誤差范圍為（-0.1，0.1）。為觀測以開放性變量為主成分且ESN模型達(dá)到穩(wěn)態(tài)時(shí)對輸出數(shù)據(jù)的影響以及輸出數(shù)據(jù)的訓(xùn)練誤差，將輸入神經(jīng)元1 I 取小數(shù)點(diǎn)后一位作為輸入值（如表1 中第一個(gè)數(shù)據(jù)1 I 為3.23，處理后變?yōu)?.2），并將其作為輸入數(shù)據(jù)，重新輸入ESN 模型后的訓(xùn)練誤差見圖4。

由圖4 可知，將包容型領(lǐng)導(dǎo)的開放性作為輸入變量進(jìn)行微調(diào)時(shí)，會(huì)顯著影響ESN 模型的訓(xùn)練誤差。對輸入值進(jìn)行微調(diào)處理后的ESN 模型的訓(xùn)練誤差范圍從（-0.1，0.1）變?yōu)椋?0.8，0.8）。表明將包容型領(lǐng)導(dǎo)的開放性作為輸入變量進(jìn)行微調(diào)時(shí)，導(dǎo)致ESN 模型的訓(xùn)練誤差范圍發(fā)生了較大變化。開放性作為輸入變量時(shí)整個(gè)系統(tǒng)會(huì)受到顯著影響，這種變化也會(huì)導(dǎo)致將員工工作表現(xiàn)作為輸出變量時(shí)，ESN模型的訓(xùn)練誤差發(fā)生較大變化。

4.2 包容型領(lǐng)導(dǎo)的有效性作為輸入變量微調(diào)過程中引起的變化

為分析將包容型領(lǐng)導(dǎo)的有效性作為輸入變量進(jìn)行微調(diào)時(shí)對ESN 模型達(dá)到穩(wěn)態(tài)的影響，將輸入神經(jīng)元2 I 取小數(shù)點(diǎn)后一位作為輸入值，重新輸入ESN 模型后的訓(xùn)練誤差見圖5。

由圖5 可知，將包容型領(lǐng)導(dǎo)的有效性作為輸入變量進(jìn)行微調(diào)時(shí)，會(huì)顯著影響ESN 模型的訓(xùn)練誤差。對輸入值進(jìn)行微調(diào)處理后的ESN 模型的訓(xùn)練誤差范圍從（-0.1，0.1）變?yōu)椋?1.2，1），表明將包容型領(lǐng)導(dǎo)的有效性作為輸入變量進(jìn)行微調(diào)時(shí)，ESN 模型的訓(xùn)練誤差范圍變化較大。通過上述分析可知，本文構(gòu)建的ESN 模型中，將包容型領(lǐng)導(dǎo)的有效性作為輸入變量時(shí)對整個(gè)系統(tǒng)的影響較大，這種變化也會(huì)導(dǎo)致將員工工作表現(xiàn)作為輸出變量時(shí)，ESN 模型的訓(xùn)練誤差發(fā)生較大變化。

4.3 包容型領(lǐng)導(dǎo)的易接近性作為輸入變量微調(diào)過程中引起的變化

為研究以包容型領(lǐng)導(dǎo)的易接近性作為輸入變量進(jìn)行微調(diào)時(shí)對ESN模型達(dá)到穩(wěn)態(tài)的影響，將輸入神經(jīng)元I3 取小數(shù)點(diǎn)后一位作為輸入值，重新輸入ESN 模型后的訓(xùn)練誤差見圖6。

由圖6 可知，將包容型領(lǐng)導(dǎo)的易接近性作為輸入變量進(jìn)行微調(diào)時(shí)會(huì)影響ESN模型的訓(xùn)練誤差。對輸入值進(jìn)行微調(diào)后的ESN 模型訓(xùn)練誤差范圍從（-0.1，0.1）變?yōu)椋?0.3，0.3），表明將包容型領(lǐng)導(dǎo)的易接近性作為輸入變量微調(diào)時(shí)，ESN 模型訓(xùn)練誤差范圍變化較小。通過上述分析可知，將包容型領(lǐng)導(dǎo)的易接性作為輸入變量時(shí)對整個(gè)系統(tǒng)的影響不顯著。因此，將員工工作表現(xiàn)作為輸出變量時(shí)，ESN模型的訓(xùn)練誤差變化較小。

5 結(jié)論

構(gòu)建ESN 模型，分析包容型領(lǐng)導(dǎo)的開放性、有效性和易接近性對員工工作表現(xiàn)的影響，得出如下結(jié)論。

將包容型領(lǐng)導(dǎo)的開放性和有效性作為輸入變量微調(diào)時(shí)能夠顯著影響ESN模型的訓(xùn)練誤差，表明包容型領(lǐng)導(dǎo)的開放性和有效性對員工工作表現(xiàn)的影響較大。將包容型領(lǐng)導(dǎo)的易接近性作為輸入變量進(jìn)行微調(diào)時(shí)， ESN 模型訓(xùn)練誤差變化不顯著，表明包容型領(lǐng)導(dǎo)的易接近性對員工工作表現(xiàn)的影響較小。包容型領(lǐng)導(dǎo)的開放性和有效性對員工工作表現(xiàn)有顯著影響，易接近性對員工工作表現(xiàn)的影響不顯著。增強(qiáng)包容型領(lǐng)導(dǎo)的開放性和有效性更有利于調(diào)動(dòng)員工工作的積極性。

參考文獻(xiàn)：

[1]侯烜方，李燕萍，涂乙冬.新生代工作價(jià)值觀結(jié)構(gòu)、測量及對績效影響[J].心理學(xué)報(bào)，2014，46（6）：823-840.

[2]蘇明.扎根理論視角下新生代員工沖動(dòng)離職行為分析與治理[J].領(lǐng)導(dǎo)科學(xué)，2021（14）：85-88.

[3]王苗苗，張捷.真實(shí)型領(lǐng)導(dǎo)對新生代員工創(chuàng)新行為的影響：內(nèi)部人身份感知的中介作用[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2019，40（3）：127-141.

[4]林新奇，欒宇翔，趙國龍.包容型領(lǐng)導(dǎo)對不道德親組織行為的影響機(jī)制[J].企業(yè)經(jīng)濟(jì)，2022，41（9）：118-126.

[5]SHORE L M，CLEVELAND J N，D SANCHEZ D.Inclusive workplaces：a review and model[J].Human Resource Management Review，2017，28（2）：176-189.

[6]孔靚，李錫元，章發(fā)旺.包容型領(lǐng)導(dǎo)對員工主動(dòng)性行為的影響：組織自尊與差錯(cuò)管理氛圍的中介作用[J].管理評論，2020，32（2）：232-243.

[7]李群，唐文靜，閆夢含.包容型領(lǐng)導(dǎo)對制造業(yè)新生代員工創(chuàng)新績效的影響——一個(gè)跨層雙中介模型[J].華東經(jīng)濟(jì)管理，2021，35（9）：120-128.

[8]方陽春，袁慶，臧睿，等.包容型領(lǐng)導(dǎo)風(fēng)格對新時(shí)代員工工作幸福感的影響[J].科研管理，2022，43（2）：184-192.

[9]BERRIDGE C，LIMA J，SCHWARTZ M，et al.Leadership，staff empowerment， and the retention of nursing assistants：findings from a survey of U.S. nursing homes[J].Journal of the American Medical Directors Association，2020，21（9）：1254-1259.

[10]古銀華，卿濤，楊付，等.包容型領(lǐng)導(dǎo)對下屬創(chuàng)造力的雙刃劍效應(yīng)[J].管理科學(xué)，2017，30（1）：119-130.

[11]唐婭婷，王瑋，李永鑫.包容型領(lǐng)導(dǎo)對員工行為的影響：權(quán)力距離的作用[J].心理研究，2021，14（1）：52-58.

[12]蘇屹，梁德智.包容型領(lǐng)導(dǎo)對員工創(chuàng)新行為的影響：基于組織和諧的中介作用及組織創(chuàng)新氛圍的調(diào)節(jié)作用[J].商業(yè)經(jīng)濟(jì)與管理，2021（1）：27-36.

[13]楊慧軍，楊建君.交易型領(lǐng)導(dǎo)、競爭強(qiáng)度、技術(shù)創(chuàng)新選擇與企業(yè)績效的關(guān)系研究[J].管理科學(xué)，2015，28（4）：1-10.

[14]CARMELI A，REITER-PALMON R，ZIV E.Inclusive leadership and employee involvement in creative tasks in the workplace： the mediating role of psychological safety[J].Creativity Research Journal，2010，22（3）：250-260.

[15]古銀華.包容型領(lǐng)導(dǎo)對員工創(chuàng)新行為的影響——一個(gè)被調(diào)節(jié)的中介模型[J].經(jīng)濟(jì)管理，2016，38（4）：93-103.

[16]張昊民，宗凌羽.知識員工創(chuàng)新失敗學(xué)習(xí)僅靠領(lǐng)導(dǎo)包容足夠嗎？——一個(gè)被調(diào)節(jié)的中介模型[J].科技進(jìn)步與對策，2019，36（4）：146-153.

[17]王雁飛，黃佳信，朱瑜.基于認(rèn)知-情感整合視角的包容型領(lǐng)導(dǎo)與建言行為關(guān)系研究[J].管理學(xué)報(bào)，2018，15（9）：1311-1318.

[18]毛蘭香.包容型領(lǐng)導(dǎo)的邊際遞減——員工創(chuàng)新失敗后如何東山再起[J].領(lǐng)導(dǎo)科學(xué)，2021（4）：96-99.

[19]劉泱，朱偉，趙曙明.包容型領(lǐng)導(dǎo)風(fēng)格對雇傭關(guān)系氛圍和員工主動(dòng)行為的影響研究[J].管理學(xué)報(bào)，2016，13（10）：1482-1489.

[20]董臨萍，吳冰，黃維德.中國企業(yè)魅力型領(lǐng)導(dǎo)風(fēng)格、員工工作態(tài)度與群體績效的實(shí)證研究[J].管理學(xué)報(bào)，2010，7（10）：1484-1489.

[21]NAM J G，KIM J，NOH K，et al.Automatic prediction of left cardiac chamber enlargement from chest radiographs using convolutional neural network[J].European Radiology，2021，31（11）：1-11.

[22]楊紅平，趙宇，趙榮珍，等.基于回聲狀態(tài)網(wǎng)絡(luò)的結(jié)合面特性參數(shù)建模[J].儀器儀表學(xué)報(bào)，2016，37（4）：772-778.

[23]SCHUBERT F， GROS C. Local homeostatic regulation of the spectral radius of echo-state networks[J].Frontiers in Computational Neuroscience，2021（15）：587-596.

[24]KAWAI Y，PARK J，ASADA M.A small-world topology enhances the echo state property and signal propagation in reservoir omputing[J].Neural Network Society，2019，112：15-23．