基于層級子群模型的組織學習績效研究

王倩 汪桃紅 蔡霞

摘要：文章建立了以不同組織結構形態為基礎的層級子群學習模型，并將問題復雜性和高管團隊學習能力這兩個影響因素納入其中，構建了多種不同的學習場景。研究發現，完全結構化的組織設計會阻礙組織學習績效;高管團隊學習能力對組織學習績效的影響受組織結構和問題復雜性的調節。問題復雜性低時，高管團隊學習能力與組織學習績效在結構化組織中正相關關系，在非結構化組織中負相關。在問題復雜性高時，高管團隊學習能力在結構化組織中不能對組織學習績效產生明顯影響，在非完全結構化組織中與組織學習績效負相關。

關鍵詞：問題復雜性;組織結構;高管團隊學習能力;組織學習績效

一、 引言

當今多元動蕩的外部環境對企業的生存和發展提出了嚴峻考驗，組織學習對于組織適應外部變化、提供組織核心競爭力至關重要。因此，如何提高組織的學習水平一直是學者關注的焦點（Fang & Levinthal，2009;林潤輝等，2017;樂云等，2018）。已有研究認為，組織的內部結構和外部環境會對組織學習績效產生顯著影響（Lazer & Friedman，2007;陳國權、劉薇，2017），但少有文獻將組織內外部、個體和群體層次的影響因素結合在一起，考慮它們對組織學習績效的協同影響。

本文提出層級子群的組織學習模型，考察問題復雜性、組織結構和高管團隊學習能力對組織學習績效的影響機制，分析和比較在不同情境和多種因素共同作用下的組織學習績效差異及變化，試圖找到適應不同問題復雜性水平的組織結構形態和學習能力組合。

二、 層級子群學習模型

March（1991）最早用仿真的方法描述了組織學習的一般過程。他指出組織學習的適應性過程其實是在有限資源和條件的約束下，我們對期望目標的最優解的搜索。Fang，Lee和Schilling（2010）提出了一種半隔離的子群（Semi-isolated Subgroup）設計，并通過仿真模擬發現，組織動態學習的長期績效在此結構下表現最佳。劉海斌和胡斌（2017）在Watts的Caveman模型基礎上，發展了個體學習速度、組織規模、動蕩環境下的離職行為等情景特征的分布式組織的人際網絡模型。林潤輝和米捷（2017）在March的經典學習模型中引入了群體的層次，將組織學習看作組織—群體—個體三個層次的完整過程，并結合Miller等學者對隱性知識的研究，探討了人際、群際、群體對個體知識編碼、個體社會化學習速度、范圍、搜尋頻率等變量間的關系和它們對組織學習的影響，并檢驗了隱性知識比重和子群外部環境差異的調節效應。

本文在Schilling（2010）等人研究的基礎之上，加入了企業組織的等級結構特征，并將個體學習能力和問題復雜性的因素加入其中，同時考慮三種因素聯合作用下對組織學習績效的影響，以探索不同學習情境（即問題復雜性程度）下，組織結構和人員學習能力的最優組合。

1. 模型假設。本研究采用多智能體仿真方法，使用March（1991）、Schilling（2010）、林潤輝和米捷（2017）等人模型中對于組織系統的假設，將現實中的企業學習過程刻畫為網絡結構模型。為了遵循簡約的設計原則（Maddison et al.，1984），在此對模型做出如下假設：

（1）現實中的組織可以被視為一個復雜的系統，其中的個體之間可以相互作用，個體可以被視為知識的載體，組織學習是由個體間的相互作用形成的;個體之間可以直接交互用以交換信息和共同創造知識;

（2）現實中的知識可以看作一串由1和-1字符串構成的向量，每一維數字的排列組合及其之間的相關性決定了問題的復雜程度;組織學習可以看作一個知識編碼過程，個體間可以通過相互學習交換信息以提升自己當前的知識水平;

（3）針對組織中個體的學習和適應性過程，外部環境中總存在著一個與個體知識維度相同的字符串向量，它代表了問題的最優解，這是個體學習的目標和衡量個體學習水平的標準;

（4）組織中相互連接的個體間可以進行直接的交互，這種互動是雙向的，個體能夠觀察到對方當前的學習編碼情況，但是無法從中了解其每一維度對最終學習水平的貢獻率;學習水平低的個體向水平高的個體進行適應性改變的概率，代表了個體學習能力的強弱水平。

2. 模型結構描述。本研究的模型中主要包含了三個實體：外部環境即個體知識學習的目標、組織中的個體和組織整體三類變量。

（1）外部環境包含了在組織學習中的最優解，即外部環境中存在的組織學習的最高績效目標，在企業實踐中它有可能是達不到的，但代表了組織學習努力的方向。在模型中，用一串m位的字符串表示，每位數值取1或-1，概率均等（0.5），隨機分配賦值;

（2）個體代表了組織中進行學習和交互的個人，他們是組織學習的主體和知識載體，通過一定的組織結構相互聯結并直接進行交互。模型中共有n個個體，每個個體同樣定義為一串m位的字符串，用來表示其所攜帶的知識向量;在每次迭代過程中，字符串的每位數值可以取1，0，-1，表示個體當前的知識水平和對外部環境的認知，而0代表個體無法確定外部環境的真實情況。初始化的賦值以相同概率隨機分配，此后每一次數值的改變將依據個體間的交互、組織決策規則和組織結構的限定。

（3）組織變量用以計算、衡量和記錄組織整體的學習績效水平，作為比較不同組織結構和個體學習能力差異等因素在組織學習方面呈現的優劣的依據。

為了更準確的還原測量特定結構下的組織學習過程，本文在Watts（1999）小世界網絡的基礎上，結合Schilling的子群結構模型，提出了具有層級特征的子群模型，其構建過程見下圖。在圖1展現的是初始的子群結構的規則層級網絡，主要是使用規則網絡加上層級組織的概念，描述了人際間的學習和交互;在這一結構中，個體在進行組織學習時所能搜尋的知識范圍較小，而聚集在一起進行知識共享的個體間的差異化程度會較小，并且會有比較大的重復性和近似性。

為了建立不同的學習交互模式，本文使用重連概率β這一參數的概念來改變個體間的連接方式和控制整體的組織結構形態。所謂重連概率，就是在不改變點與點之間連線總數的前提下，改變線的連接對象，如圖2所示，現在點A有β的概率重新考慮自己的連接及溝通學習對象，因此它可以變成圖2中所表現的，進行跨群體的與點C溝通，由此實現了群際間信息交換增多的可能性;隨著β取值的增大，這種與外部連接的線就會增多，由此形成了具有層級的半隔離子群結構。需要說明的是，當β=0時，初始的組織結構得以保留（如圖1所示）;當β不為零但取值足夠小時，網絡的高聚集性特征會被保留，同時子群間會產生一些隨機連接線以增強群際間的信息交換和溝通（如圖2）所示，也就是所謂的“半隔離”特征，即子群間有中等程度的連接性，并且依然保留著相對分割的狀態，從而維持和符合進化理論中的子群特征。

子群間只需要一些隨機連接作為“捷徑”，那么組織中任意兩點之間的路徑長度就能急劇減小而聚集程度依然能夠保持在較高水平，以維持半隔離的子群結構特質。當β繼續變大并接近1時，子群的結構特征會消失，整個組織結構會變成完全隨機的網絡，如圖3所示。此時雖然組織中任意兩個個體之間的最短路徑長度依然在較小的水平，但整個網絡的聚集系數也急劇下降，無法維持相對獨立的子群團隊形態特征。

3. 組織學習過程及績效的衡量。組織學習的過程被看作一個知識編碼的過程，通過個體間的信息交換和績效比較，低水平的個體逐漸向高水平的個體學習和編碼，從而使整個組織的知識結構趨向統一性，最終到達收斂和平衡。

組織中的個體攜帶著多種不同的知識向量，并以特定的連接結構彼此溝通，有連接的個體之間可以相互進行交換信息，以比較各自相對知識水平的高低來進行下一步的學習和變換（其衡量標準為與外部環境中存在的最優解的匹配程度，所使用的Payoff函數會在下面具體展開介紹），學習決策規則如下：

個體首先搜尋并識別出學習水平高于自己的個體;然后按照取多數原則，將所有績效高于自己的鄰居其知識串的每一維度對應比較，選取每一維度中占多數的字符以作為自己更新和學習的目標，最終以Plearning的概率進行改變，若在該維度的1或-1數量相同，則個體保持自己在該位的原有的數值。這里的Plearning參數代表了個體向他人學習的概率或者能力，用以刻畫員工或管理者的學習能力。這一學習過程會一致持續到個體的知識不再有所改變，而在組織層次就達到了學習績效的平衡水平。

個體在一次迭代中的學習過程如圖4所示。

問題復雜性的衡量和Payoff函數對學習績效的評估主要借用NK模型的思想（Fang & Schilling，2010），其中N代表了問題的維度而K代表各維度之間的相關性以影響總體的績效值，因此本文模型中的m和s與NK模型中的N和K可以分別對應。我們設包含m維的知識向量x，其Payoff函數表達式為F（x），xi表示知識向量x第i位的值，？啄i表示知識向量的第i位與外部環境的匹配情況，當其第i位與外部環境相應的維度一致時？啄i=1，否則？啄i=0。則

F（x）=s（∏si=1？啄i+∏2si=s+1？啄i+…+∏mi=m-s+1？啄i）（1）

其中s作為控制知識問題復雜性的調節參數，1≤s≤m

三、 模型驗證及結果分析

本文的層級子群學習模型主要就個體層次的特征變量和組織層次的結構及學習績效的互動關系展開，各參數具體的表示、含義和取值見表1。

1. 學習情景劃分及理論假設。本文將組織結構和高管學習能力兩類因素進行聯合，形成四種基本的組織學習場景，其中，弱學習—結構化表示組織的結構設計更加偏向規則化和制度化，而高管團隊的學習能力相對較弱的狀態;強學習—結構化表示表示組織的結構設計更加偏向規則化和制度化，而高管團隊的學習能力相對較強的狀態;弱學習—靈活性表示組織中個體間的連通性較強，可以進行更多的跨部門和跨級溝通，而高管團隊的學習能力相對較弱的狀態;強學習—靈活性表示組織中個體間的連通性較強，可以進行更多的跨部門和跨級溝通，并且高管團隊的學習能力相對較強的狀態。

根據以往研究，更加結構化的組織在信息溝通中需要經過更多的路徑和層級，因此能夠在較長時間內保持個體多樣化和差異化程度，從而在長期績效表現中達到較好的水平;而更加靈活性的組織能夠在復雜的學習環境中具有較高的自適應能力，從而能夠快速進行信息傳遞、協調，在短期內達到較高的績效水平。而隨著組織面臨的學習情境復雜化即問題的復雜性程度的提高，在同等學習能力下，組織中的個體能夠達到的學習績效水平會呈現出下降的趨勢;因此，問題復雜性即組織所處的外部學習環境因素，會對不同水平變量組合下的情景與組織學習績效之間的關系產生一定的調節作用，由此提出如下理論假設：

假設H1：在弱學習—結構化的情境下，隨著組織所面臨的學習環境由簡單到復雜，那么組織所能達到的績效水平會有一定程度的降低;

假設H2：在強學習—結構化的情境下，隨著組織所面臨的學習環境由簡單到復雜，組織所能達到的績效水平會有一定程度的降低，但會高于同等程度下的弱學習—結構化情景;

假設H3：在弱學習—靈活性的情境下，隨著組織所面臨的學習環境由簡單到復雜，那么組織所能達到的績效水平會有一定程度的降低;

假設H4：在強學習—靈活性的情境下，隨著組織所面臨的學習環境由簡單到復雜，組織所能達到的績效水平會有一定程度的降低，但會高于同等程度的弱學習—靈活性情景。

2. 基本模型分析。在基本模型中，我們假定組織中共有15個不同層級的團隊，每個團隊由7人組成，最終構成4層結構模型;知識的維度為100（即m=100），除高管團隊外的其他個體具有一般程度的學習能力為0.1（即Plearning-except leader=0.1）。

本研究根據模型設置了多種實驗場景，主要包括不同的學習環境即問題復雜性水平（簡單s=2和復雜s=5）、不同的高管團隊學習能力（Plearning=0.1到0.9表示學習能力由弱到強）和不同的組織結構形態（從β=0到β=1表示組織結構從更加結構化轉向更加靈活性），根據多種因素不同水平構成不同的組合（基本情景約288種），每種情境下都進行1 000次的隨機實驗，并取其結果的均值作為這一情境下的組織學習績效值以確保結果的穩定性，最后的結果用圖表展示，以探究和比較不同水平下的多種因素對組織學習績效的綜合作用。

問題復雜性對組織結構與組織學習績效之間的關系存在一定的影響，隨著知識復雜性水平的提升（s從2到5），組織要達到同等程度的學習績效水平就需要更強的組間連通性（即更高的β水平）。

由圖5到圖8可以看出，弱學習—結構化、弱學習—靈活性、強學習—結構化、強學習—靈活性情景下的組織學習績效都會隨著問題復雜性由簡單到復雜而降低，說明了問題復雜性對其與組織學習績效之間關系的調節作用。

當組織成員所面臨的學習環境較為簡單時，完全結構化的組織設計所達到的組織學習績效水平最低;隨著組間連通性的增強，學習績效表現出了先上升后下降的趨勢，因此當組織結構同時具備高聯通和高聚合的特征時，組織學習績效水平最高。并且高管團隊學習能力和組織結構在此情景下存在一定的協同互補效應。

當組織成員所面臨的學習環境較為復雜時，完全結構化的組織設計所達到的組織學習績效水平最低;隨著組間連通性的增強，學習績效快速提升但超過一定界限之后趨于平穩，因此處理復雜問題時組織結構要更有更高的連通性，但也無需為了追求過高的靈活性增加不必要的成本。

高管團隊學習能力對組織學習績效的影響受到組織結構和問題復雜性的調節作用，在問題復雜性低的情境下，如果組織是完全結構化的，高管團隊學習能力與組織學習績效呈正相關關系;如果組織不是完全結構化的，高管團隊學習能力與組織學習績效呈負相關。在問題復雜性高的情境下，完全結構化的組織中，高管團隊學習能力不能對組織學習績效產生明顯影響;如果組織不是完全結構化的，高管團隊學習能力與組織學習績效呈負相關。

四、 結語

本文在前人研究的基礎上，通過將影響組織學習績效的結構、個體學習能力和問題復雜性三類因素整合，提出了組織的層級子群模型，并使用仿真實驗驗證了現有的理論及觀點，證明了模型的準確信，為后續有關組織學習多種前因綜合作用的研究提供了模型基礎。

參考文獻：

[1] Fang C， Lee J， Schilling M A.Balancing Exploration and Exploitation Through Structural Design： The Isolation of Subgroups and Organizational Learning[J].Organization Science，2010，21（3）：625-642.

[2] Fang C， Levinthal D A.Near-Term Liability of Exploitation： Exploration and Exploitation in Multistage Problems[M]. INFORMS，2009.

[3] Huber G P.Organizational Learning：The Contributing Processes and the Literatures[J].Organization Science，1991，2（1）：88-115.

[4] Lazer D， Friedman A.The Network Structure of Exploration and Exploitation[J]. Administrative Science Quarterly，2007，52（4）：667-694.

[5] 陳國權，劉薇.企業組織內部學習、外部學習及其協同作用對組織績效的影響——內部結構和外部環境的調節作用研究[J].中國管理科學，2017，（5）：40-50.

[6] 林潤輝，米捷.子群結構下的組織學習多主體仿真研究——對March的探索式—利用式學習模型的擴展[J].系統管理學報，2017，（5）：109-118.

[7] 劉海斌，胡斌.健壯的分布式組織網絡結構設計的建模與仿真分析[J].管理工程學報，2017，31（3）：155-161.

作者簡介：王倩（1994-），女，漢族，山東省濰坊市人，南京大學商學院碩士生，研究方向：創新創業管理;汪桃紅（1980-），女，漢族，湖北省黃岡市人，江蘇科技大學外國語學院講師，研究方向：創新創業管理;蔡霞（1991-），女，漢族，江蘇省鎮江市人，南京財經大學工商管理學院講師，研究方向：創新創業管理。

收稿日期：2019-06-14。