由于本研究考察的是外部知识网络对于团队创新的影响,因此被研究团队应当具有较高的学历层次.所以本研究按照以下标准来选择样本:第一,团队大部分成员的学历应在本科及以上;第二,团队任务应当要求团队成员拥有较好的知识基础;第三,团队的人数不少于 3 人.依据这三个标准,我们选择了高科技、金融、教育、科学研究和技术服务、制造业五个产业,在 2012年 6 月 ~2012 年 8 月间,共面向 180 个团队发放了 800 份 问 卷,回 收 498 份 问 卷,回 收 率 为62. 25% .其中有 136 个团队回答了问卷,剔除回答不完整及回答人数没有达到 3 位的团队,有效团队为 114 个.每个团队的人数为 3 ~ 12 人,平均人数为 4. 4 人.在 498 名团队成员中,男性占68. 7%,女性占 31. 3%;受教育程度研究生占24. 6%,本科占 57. 8%,大专占 15. 6%,大专以下占 2%;年龄分布为:25 岁以下占 12. 7%,25 ~30岁占 53. 2%,30 ~ 35 岁占 24. 9%,35 岁以上占9. 2% .团队类型包括研发团队,高管团队、运营团队、销售团队、财务团队五种类型.
3. 3 数据合并
由于本研究的研究层次是团队,而收集的数据都是个体水平的,因此需要检验将个体层次变量汇聚到团队层次的可行性.首先计算 Rwg 系数来考察团队内部成员的一致性.结果表明,7个变量的 Rwg 平均值全部超过 0. 7(见表 1).然后,计算组内相关系数(ICC)来考查组成员身份是否能够解释显着的测量变异,结果表明三个变量的 ICC(1)均大于 0. 10 且全部显着,但是 ICC(2)有三个值略微偏低(没有大于 0. 5,但比较接近),原因可能在于团队规模偏小,由于 ICC(2)是团队规模和 ICC(1)的函数,较小的团队规模导致了较小的 ICC(2)值.
4 研究结果
4. 1 描述统计与相关分析
数据整合后的各变量的均值、标准差、Pear-son 相关系数见表 2.结果发现,外部知识网络利用与团队创新显着正相关(P < 0. 01),知识整合与团队创新显着正相关(P <0. 01),因此假设 1、假设 2 均成立.
4. 2 中介效应检验
我们首先将数据做中心化处理,这样可以减少回归方程中变量间多重共线性问题.检验结果如表 3 所示.当外部知识网络利用与知识整合同时进入回归方程时,外部知识网络利用与团队创新的相关系数不再显着,而知识整合的相关系数达到显着,因此知识整合在外部知识网络利用与团队创新之间起到中介作用.假设 3 得到验证.
4. 3 调节效应检验
调节效应的检验通常分三个步骤,首先把自变量放入回归方程,观察它的决定系数大小,即自变量对因变量的解释程度;第二步,再把调节变量放入回归方程,通过△R²值判断调节变量对因变量的独特贡献力;第三步,把交互项自变量× 调节变量放入回归方程,考察△R²是否显着.
通过这三个步骤的检验,发现结构紧密度和关系亲密的调节效应并不显着,只有认知一致性的调节作用达到了显着,相关参数见表 4.由此假设4c 成立,4a 和 4b 均不成立.
图 1 为认知一致性的调节效应趋势图,采用中心化数据绘制方法.如图 1 所示,横轴为外部知识网络利用,纵轴为知识整合.当团队处于高认知一致性时(图中粗线条),随着外部网络利用程度的提升,知识整合上升速度更快,表现为斜率更高.而当团队处于低认知一致性时(图中细线条),随着外部网络利用程度的提升,知识整合上升速度更慢,表现为斜率更低.
