知识管理论坛 >

2015 , Vol. 2015 >Issue 1: 49 - 56

DOI: https://doi.org/10.13266/j.issn.2095-5472.2015.01.007

研究论文

基于整体网的小团体人际关系与知识共享关系研究

  • 王德彬 ,
  • 罗裕梅 , *
展开
  • 云南大学工商管理与旅游管理学院 昆明 650500
*E-mail：

Copy editor: 易飞

收稿日期: 2015-03-12

  网络出版日期: 2025-04-28

基金资助

国家自然科学基金项目“基于社会网络视角的企业信息系统创新性使用行为的影响因素研究”(71402159)

收起

Research on the Relationship between Interpersonal Relationships in Small Groups and Knowledge Sharing Based on the Whole Network

  • Wang Debin ,
  • Luo Yumei , *
Expand

Received date: 2015-03-12

  Online published: 2025-04-28

Fold

摘要

认为人际关系网络由咨询网络、情感网络、一般信任及特殊信任4个网络构成，根据社会关系相关研究成果提出4个假设，开发整体网问卷，并据此收集高校科研小团体的网络数据。对所选取的两个小团体进行中心性分析、QAP回归分析等，分析结果支持了其中3个假设。结论表明，咨询网络、一般信任及特殊信任与知识共享显著正相关，而情感网络与知识共享负相关；咨询网络、一般信任网络和特殊信任网络的中心性越高，越有利于知识共享。

关键词： 小团体; 人际关系; 知识共享; 整体网

本文引用格式

王德彬 , 罗裕梅 . 基于整体网的小团体人际关系与知识共享关系研究[J]. 知识管理论坛, 2015 , 2015(1) : 49 -56 . DOI: 10.13266/j.issn.2095-5472.2015.01.007

Abstract

It is believed that the interpersonal relationship network is composed of four networks: the consultation network, the emotional network, general trust, and special trust. Based on the research results related to social relations, four hypotheses are proposed, and a whole network questionnaire is developed. Network data of scientific research small groups in universities are collected accordingly. Centrality analysis, QAP regression analysis, etc. are carried out for the two selected small groups, and the analysis results support three of the hypotheses. The conclusions show that the consultation network, general trust, and special trust are significantly positively correlated with knowledge sharing, while the emotional network is negatively correlated with knowledge sharing; the higher the centrality of the consultation network, the general trust network, and the special trust network, the more conducive it is to knowledge sharing.

Key words： small group; interpersonal relationship; knowledge sharing; whole Network

知识共享对于科研团队的知识创新具有重要作用[1]。知识的共享，很大程度上依赖于自身的人际关系网络[2-3]。人际关系网络影响着主体人的知识共享行为，因而对团队来说，对人际关系网络与知识共享间关系进行研究，对于协调成员关系，促进团队知识共享，提高知识创新能力，都具有重要意义。团队人际关系网络中哪些因素影响着知识共享行为？它们对于知识共享产生了怎样的影响？网络中心性的高低对知识共享有怎样的影响？本文对上述问题的研究不同于以往所采用的多元回归和结构方程分析，而是采用整体网分析，它将有利于探索团队成员网络特性的影响以及网络之间的关系，有助于加大人际关系对知识共享的解释力度。

1 理论分析与研究假设

1.1 知识共享、人际关系网络的界定

在我国，高校科研团队是知识创新的重要群体，组建以导师为核心、研究生为主要成员的科研团队进行科研活动在高校中已非常普遍，因此，本文的研究对象为“以研究生导师为核心、研究生为主要成员，人数一般为5-12人，相对稳定且成员之间具有相对较强关系”的高校科研团队，即本文所指的小团体科研团队。考虑到整体网分析对网络边界及资料完整性的要求，有别于林东清等对知识共享的界定[4]，本文中的知识共享指团队成员间通过各种渠道进行交流和讨论从而产生的知识交换，并不包括团队成员与外部人员进行的共享活动。
基于D.Krackhardt对社会网的分类原则[5]、L.L.Cummings 和 P.Bromiley的信任存量量表[6]、Luo Jiade情感网络问卷的设计及对信任的分类[7-8]，结合本土研究和本文研究的具体情形，本文将人际关系网络定义为由咨询网络、情感网络、一般信任及特殊信任4个构面组成的网络。之所以参考上述学者的研究成果并依据其理论开发问卷进行数据收集，主要原因有二：①基于上述学者有关社会网的研究，已发展出一整套理论及问卷，在美国社会调查中得到了广泛的应用，问卷的效度得到了保证；②上述学者所设计的问卷已被广大研究者所采用并得到验证，量表的信度得到了多次检验[8]。

1.2 咨询网络与知识共享

通过对中国求职者个人关系网络的研究，Y.Bian认为，在中国，由于信息流动不充分，从市场上直接获取信息并不容易，重要信息往往是通过社会关系而流动的，而中国人对于社会关系的利用主要是通过利用关系人的影响力及从关系人处获取隐含信息进行的[9]。科研小团体成员间联系较紧密，各个成员往往会通过从其他成员获取有关科研问题的咨询建议来构建各自的咨询网络，这种咨询网络是科研小团体各个成员所拥有的，其构建的主要目的是满足科研需要。若某成员在科研小团体中被多数人咨询，代表该成员在科研工作中受到多数人依赖[5]，即该成员咨询网络中心性较高。而其他成员对于该成员的依赖，又会使其他成员在咨询该成员之后，认识到自己对于该成员的“亏欠”，并待机回报[10]。由此，提出本文第一条研究假设：
假设1：小团体的咨询网络与知识共享正相关，且咨询网络中心性越高，越会促进知识共享。

1.3 情感网络与知识共享

D.Krackhardt认为“情感网络”产生于成员与他人间的友谊或谈论私事的过程，属于社会关系网络中的“强连带”[5]。在小团体科研团队中，成员间向有关系的同事谈及私事，甚至倾诉科研工作中的各种情绪，构成了小团体成员间情感上的依赖关系，即为“情感网络”，而团队间的这种情感网络属于“强连带”，能在团队内带来情感上的支持，在团队成员间传递信任和影响力等。若一个团队情感网络中心性较高，即存在一个被很多团队成员都认可的中心人物，该中心人物的存在会使团队中情感生活丰富，对于团队的心理健康具有重大作用，这种作用将会促使团队成员排除情感上的困惑，更专心地进行科研活动。根据上述分析，得到第二条假设：
假设2：情感网络与知识共享正相关，情感网络中心性越高，越有利于知识共享。

1.4 信任网络与知识共享

根据信任的对象，Luo Jiade将信任分为一般信任和特殊信任[7]。B.Barber认为一般信任指对他人依道德规范而采取行为的期待[11]，包括了对整个科研团队、团队成员的信任，并由L.L. Cummings和P. Bromiley开发出了完整的“信任存量量表”[6]，这种信任对知识分享的促进作用，已得到了W.P.Tsai和S.Ghoshal、R.T.Sparrowe等人的证实[12-13]。一个科研团队的一般信任网络具有较高的中心性，会使团队合作行为多，进而促进知识共享；相比而言，特殊信任仅存在于特定的团队成员间，是每个成员以自我为中心建立的，随着距离远近的不同，信任程度不同，可寻求的支持也不同[14]，如果某成员特殊信任网络中心性高，则表明该成员在科研工作中的合作机会多，科研工作得心应手。因此，得出以下假设：
假设3：信任（包括一般信任与特殊信任，下同）与知识共享具有正向关系；
假设4：信任网络中心性越高，越有利于团队的知识共享。

2 研究设计

依据上一节的理论和假设，笔者开发了人际关系的整体网问卷，并据此进行变量的定义、数据的收集与测量、数据预处理等，涉及到的方法如下：

2.1 样本选择、数据收集与清洗

2.1.1 样本选择和数据收集

由于整体网问卷必须采用实名调查的方式，且需要受调查团队所有人的数据，故采用“线人收集法”和“提名法”[10,15]，通过研究者的熟人关系，让其说服其所在科研小团体的同学和老师接受问卷调查，问卷数据的收集以当面发放和填写为主，问卷发放及回收历时40余天，共收集到7个团队的63份问卷，其中教师8人、博士生18人、硕士生37人。

2.1.2 数据清洗

根据80法则，一个团队80%及以上成员填答问卷，该团队的问卷方可使用，否则视为无效，团队核心人物（如研究生导师）缺答也视为无效；一份问卷80%以上内容填满为有效，超过20%的题项未答或答题不完整亦视为无效。依据80法则进行筛选之后，得到5个团队的45份有效问卷。

2.2 变量定义、测量

2.2.1 知识共享的测量及数据获得

参考张伟等对知识共享的测量方法[16]，本文以近2年来团队的科研成果（包括著作、论文、专利及课题等）和团队成员共同参与学术会议等相关科研活动的次数为测量依据，团队成员共同拥有一项科研成果或共同参与一次学术活动即看作发生一次知识共享。若 =k，即表示成员i和成员j有k次知识共享, =0则表示两者无知识共享，拥有N人的小团体，其知识共享矩阵是一个对称的N*N矩阵。

2.2.2 网络的测量

咨询网络、情感网络、一般信任及特殊信任4个网络由整体网问卷测量，该问卷由12个题项（每个网络3题）构成，其中，咨询网络主要测量了团队成员因科研问题向其他成员请教、其他成员主动提供建议以及科研工作交流讨论的情况，情感网络测量了团队成员间谈及私事、因科研问题相互抱怨以及团队成员间熟悉程度的情况，一般信任网络测量了团队成员间交换意见、采纳意见的情况以及对其他成员科研工作的满意度，特殊信任网络测度了团队中某成员对其他成员或是其他成员对某成员是否稳定可靠、诚实坦白的信任情况以及信任程度。某小团体成员i在第K（K=1,2,3……12）题项中选择了成员j，则记 =1，可见，拥有N人的小团体所得人际关系矩阵由12个N*N矩阵构成，不同于知识共享矩阵，这12个矩阵并不一定是对称的。

2.3 数据预处理

2.3.1 人际关系数据的一致性分析

一致性检验是为了衡量各个小团体内部所有成员对于人际关系整体网问卷的回答在多大程度上存在一致性，也就是他们在多大程度上达成了共识，是数据信度检验的重要组成部分。针对数据清洗剩下的45份有效问卷，按照咨询网络、情感网络、一般信任及特殊信任4个构面，对各个构面进行一致性分析，如咨询网络矩阵由第1到第3个N*N（N为团队人数）矩阵相加所得（其他以此类推）。

2.3.2 知识共享矩阵的凝聚性分析

本文进行凝聚性分析时选取的指标是K-核，K-核主要反映了团体成员与其他成员之间的关系频次，如果知识共享矩阵中，全部成员都至少与其他K个成员相连，则称该知识共享矩阵所构成的网络图为K核[15]。
一致性分析通过考察特征根之比进行比较，其中两个团队因存在特征根之比小于1的情况被排除；凝聚性分析通过考察知识共享网络的度数和网络平均密度对剩下的3个团队进行比较，选取3个团队中凝聚性较大和较小的两个团队，最终选取的团队记为A和B，团队A由11人构成，团队B由8人构成。
一致性分析显示，团队A的特征根之比介于1.461-3.188，团队B的特征根之比最小为1.210，最大值为3.319，团队A和B的人际关系4个构面问卷的回答满足一致性要求，数据信度较高[17]。凝聚子群分析显示，团队A和B的知识共享关系中，团队A度数分别为4和5，度数为4的分区（即4核）包含团队中所有11个成员，度数为5的分区包含除A42的所有团队成员，即团队A中全部成员都至少与其他4名成员有知识共享行为，除A42外的成员都至少与其他5个成员发生了知识共享行为，团队A的知识共享平均网络密度为2.909 1；团队B只有一个度数为7的分区，包含团队所有8个人，也就是说团队B中每个成员都与其他7名成员间存在知识共享行为，团队B的平均网络密度为5.892 9，密度较团队A大。总体来看，团队A和B的知识共享较为密切，知识共享黏性较高，例如，以特征根中心度设置节点的大小（节点的大小与该成员在团队知识共享过程中所发挥作用的大小成正比），得到团队A的知识共享网络图，如图1所示：
图1 团队A的知识共享网络

2.4 整体网分析步骤

⑴对每个团队的5个矩阵（包含4个构面网络矩阵、1个知识共享矩阵）进行中心性测量；
⑵分别对各团队的4个构面和知识共享矩阵进行矩阵相关分析，判断其相关性；
⑶以知识共享矩阵为因变量，以4个构面矩阵为自变量，进行矩阵回归分析；
⑷得出分析结果。

3 整体网分析

3.1 中心性测量

因为某成员的中间中心性衡量了该成员作为“媒介”的能力，即在团队中其他两个人之间作为“纽带”的重要性，且中间中心性给出了衡量整个网络的团队中介性指标——标准化中间中心势，该指标衡量了团队中是否存在严重依靠某一个成员的情况，故本文中心性的测量选取的指标是点的中间中心度。某点的中间中心度的值越大，代表该成员所处的网络位置越重要。点的中心度又分为点的绝对中间中心度（ ）和标准化的中间中心度（ ），也称为相对中间中心度。其中 ，式中 ， 表示点j和k间存在的捷径数量， 表示点j和k间存在的经过另一点i的捷径数目； ，n为网络人数，分子为网络所能达到的绝对中间中心度的最大值[18]；标准化中间中心势（network centralization index）衡量了整个网络是否有明显向某个点集中的趋势，该值越大，表明整个网络所表现出的向某个点集中的趋势越明显，用NCI表示。团队A和B的中间中心度测量结果如表1和表2所示：
表1 团队A的中间中心度测量结果
成员 咨询网络 情感网络 一般信任网络 特殊信任网络 知识共享网络
01 16.550 18.389 0.000 0.000 35.533 39.481 33.883 37.648 6.933 15.407
11 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 2.317 5.148
12 2.150 2.389 4.500 5.000 0.000 0.000 1.983 2.204 2.317 5.148
21 12.517 13.907 15.500 17.222 19.267 21.407 10.350 11.500 2.067 4.593
22 4.533 5.037 3.000 3.333 6.767 7.519 1.783 1.981 1.483 3.296
31 3.033 3.370 20.000 22.222 14.700 16.333 7.817 8.685 1.033 2.296
32 2.400 2.667 20.000 22.222 4.400 4.889 1.117 1.241 0.700 1.556
41 3.917 4.352 18.000 20.000 2.467 2.741 4.250 4.722 0.500 1.111
42 1.983 2.204 0.000 0.000 3.967 4.407 1.733 1.926 0.450 1.000
51 1.667 1.852 12.000 13.333 1.500 1.667 6.833 7.593 0.200 0.444
61 4.250 4.722 0.000 0.000 3.400 3.778 0.250 0.278 0.000 0.000
NCI 14.34% 14.11% 33.21% 33.64% 12.95%
表2 团队B的中间中心度测量结果
成员 咨询网络 情感网络 一般信任网络 特殊信任网络 知识共享网络
01 11.333 26.984 23.000 54.762 17.500 41.667 17.167 40.873 0.650 3.095
11 1.917 4.563 1.333 3.175 0.000 0.000 4.250 10.119 0.000 0.000
21 1.250 2.976 3.833 9.127 0.333 0.794 0.917 2.183 0.650 3.095
22 4.000 9.524 2.500 5.592 11.333 26.984 5.167 12.302 0.200 0.952
31 6.667 15.873 16.667 39.683 12.667 30.159 4.250 10.119 0.650 3.095
41 1.083 2.579 0.333 0.794 0.000 0.000 0.000 0.000 0.650 3.095
51 5.000 11.905 17.000 40.476 3.000 7.143 12.250 19.167 0.200 0.952
61 0.750 1.786 24.333 57.937 1.167 2.778 0.000 0.000 0.000 0.000
NCI 19.95% 35.94% 31.97% 31.75% 1.50%
从网络整体的中心性和每个团队的5个网络来看，除一般信任网络和知识共享网络以外，团队B的集中趋势均高于A，团队A的咨询网络、情感网络与知识共享网络的中间中心势依次为14.34%、14.11%和12.95%，说明这3个网络比较均衡，并未集中于团队某个成员，一般信任和特殊信任两个网络则主要集中于01成员；团队B中，除知识共享网络外，其他网络中，01均表现出了绝对的控制地位。从团队的各个成员来看，两团队中，01均是团队中占据优势地位、控制绝对资源的成员；团队A中，在咨询网络、一般信任网络和特殊信任网络3个网络中，01与21两位成员均处于团队最重要的位置，团队B的各个网络中，01都占据着最为重要的网络位置，而值得注意的是01均是各自团队中的导师。

3.2 各网络间矩阵相关检验

运用Ucinet对每支团队的5个矩阵间进行矩阵间关系的检验（dyadic QAP），同时给出相关系数的显著性，分析结果如表3和表4所示：
表3 团队A各构面间矩阵相关关系检验结果
网络名称 咨询网络 情感网络 一般信任网络 特殊信任网络 知识共享网络
咨询网络
情感网络 0.621***
一般信任网络 0.614*** 0.767***
特殊信任网络 0.809*** 0.600*** 0.699***
知识共享网络 0.588*** 0.276** 0.478*** 0.632***

注:***表示p<0.001，**表示p<0.01，*表示p<0.05，下同

表4 团队B各构面间矩阵相关关系检验结果
网络名称 咨询网络 情感网络 一般信任网络 特殊信任网络 知识共享网络
咨询网络
情感网络 0.664***
一般信任网络 0.690*** 0.626***
特殊信任网络 0.598** 0.442** 0.671***
知识共享网络 0.450*** 0.310** 0.391** 0.389**
团队A中，除知识共享与情感网络间的相关性检验在0.01水平显著外，其他各个网络之间的相关性p值均小于0.001，显著性非常高。团队B中，特殊信任与咨询网络、情感网络，知识共享与情感网络、一般信任、特殊信任的显著性稍低（p值介于0.001-0.01）。可见，无论团队A还是B，6个网络之间均表现出了高度的相关性。

3.3 QAP回归分析

为了研究知识共享矩阵与各网络的关系，本文以知识共享矩阵为因变量，分别以咨询网络、情感网络、一般信任网络及特殊信任网络为自变量，进行矩阵回归分析，结果如表5和表6所示：
表5 团队A的QAP回归结果
自变量 因变量：知识共享网络
咨询网络 1.976***
（0.588）		 2.280*
（0.678）		 1.938*
（0.576）		 1.129*
（0.336）
情感网络 1.171**
（0.276）		 -0.618
（-0.145）		 -1.832
（-0.431）		 -1.709*
（-0.402）
一般信任网络 2.384***
（0.478）		 2.270**
（0.455）		 1.559*
（0.312）
特殊信任网络 2.023***
（0.632）		 1.227**
（0.383）
截距 0.772 2.367 1.565 0.959 0.730 0.383 0.419
观测次数 110 110 110 110 110 110 110
0.345 0.076 0.228 0.399 0.358 0.437 0.478
0.345 0.076 0.228 0.399 0.352 0.426 0.463
F 0.001 0.006 0.000 0.000 0.000 0.000 0.000
表6 团队B的QAP回归结果
自变量 因变量：知识共享网络
咨询网络 1.743***
（0.450）		 1.694**
（0.438）		 1.383*
（0.357）		 1.209*
（0.312）
情感网络 1.468**
（0.310）		 0.089
（0.019）		 -0.145
（-0.301）		 -0.089
（-0.189）
一般信任网络 1.836***
（0.391）		 0.770
（0.164）		 0.397
（0.085）
特殊信任网络 1.344**
（0.389）		 0.532
（0.154）
截距 3.785 4.850 4.141 4.130 3.786 3.609 3.462
观测次数 56 56 56 56 56 56 56
0.203 0.096 0.153 0.151 0.203 0.216 0.228
0.206 0.096 0.153 0.151 0.188 0.186 0.183
F 0.001 0.003 0.001 0.004 0.000 0.001 0.000
QAP回归分析依次报告了各自变量的系数（系数的显著性用星号表示，标准误报告在系数下方的括号中）、截距、观测次数、拟合优度（ ）、调整后的拟合优度（ ）以及模型的F检验值，值得注意的是，与计量经济学不同，矩阵回归分析的观测次数取决于自变量矩阵的行列，如团队A由11个成员组成，自变量由11*11的方阵构成，不考虑团队中成员与自身的关系，观测数值便为110（11*10）；表6和表7中，首先，以知识共享网络为因变量，将各网络作为单独自变量，进行QAP矩阵回归；随后，逐次加入一个网络；再次，进行QAP矩阵回归，目的是判断各网络对于知识共享网络的显著程度以及各自变量网络间的共线性关系。
由回归结果，首先，团队A和B的知识共享网络与4个自变量网络的单个网络回归，模型整体显著性较高，都能部分解释因变量的变异（团队A的解释力度介于7.6%-39.9%，团队B的解释力度介于9.6%-20.6%），且系数统计显著性较高；其次，当依次增加自变量网络数量时，自变量的显著性均有所降低，表明自变量网络间存在部分共线性，特别地，当知识共享网络对4个自变量进行回归时，团队A各网络的系数显著性比团队B好，团队A各系数均在10%的显著水平显著，团队B除咨询网络达到10%外，其他3个网络显著水平均介于10%-15%；再次，无论是团队A还是团队B，咨询网络、一般信任和特殊信任网络对知识共享的影响都是正向的，情感网络对知识共享的影响是反向的；最后，考虑到各网络间，尤其是咨询网络和情感网络之间的共线性问题，4个网络对于知识共享的解释模型是有效的，虽然4个网络仅仅解释了知识共享变化的46.3%和18.3%，看似比例不高，但考虑到影响知识共享的原因还有很多（比如成员的知识结构、性格等），模型的解释力度也较高。

4 结论

根据上述实证分析的结果，结合中心性分析（见表7），得出以下结论：在科研小团体中，咨询网络、一般信任网络及特殊信任网络与知识共享呈现显著的正向关系，并且团队中心性越高，越是有利于知识共享，而情感网络与知识共享呈现负相关的关系，中心性越高越不利于知识共享，结论支持假设1、假设3和假设4，并不支持假设2。之所以出现对假设2的否定，针对本文的研究，可能的原因是，情感网络既测量了团队成员间情感上相互支持的“正能量”，也测量了成员间由抱怨而产生的“负能量”，若两团队中大多数成员将“负能量”归于情感网络，那么情感网络与知识共享的反向作用就不足为奇，而这种负能量在团队中的传播，越是存在掌握这种情绪的中心人物，传播的力度越大，造成的负面影响也越大。
表7 团队A和团队B自变量的中心性、对因变量的影响对比
项目 咨询网络 情感网络 一般信任网络 特殊信任网络
中心性比较 A<B A<B A>B A>B
对知识共享的影响比较 A<B A>B A>B A>B
运用整体网分析，探讨人际关系4个网络与知识共享之间的关系是本文的主要目的。本文主要的贡献有两点：①过去对人际关系与知识共享的研究，主要采用结构方程、多元回归分析的方法，重在探讨影响知识共享的路径和原因，而忽略了团队中“结构”和成员的“能动性”对知识共享的影响，本文以咨询网络、情感网络、一般信任网络及特殊信任网络4个网络为人际关系的构面，在对网络相关指标进行测量的基础上进行的整体网研究，有助于弥补这一缺陷；②本文选取的样本团队为小团体科研团队，普遍存在于我国各高校中，且本文选取了两个团队用以对比分析，对我国科研团队的建设具有借鉴作用。
然而，本文的研究也存在着一些不足：①由于整体网数据的收集需要封闭网络，且必须获取团队中所有人的资料，这导致本文的样本来源并非随机抽取，一定程度上限制了结论的适用性；②各个科研小团体都具有其特殊性，团队领导人的学术领导力、团队科研精神、团队成员的知识背景等，都可能对知识共享产生影响，因此，本文所得结论并不完全适用于每个团队。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
KMR. Knowledge management review survey reveals the challenges faced by practitioners[J].Knowledge Manage-ment Review, 2001, 4(5): 8-9.

[2]
夏德,程国平.隐性知识的产生、识别与传播[J].华东经济管理,2003(6):47-49.

[3]
殷国鹏,莫云生,陈禹,等.利用社会网络分析促进隐性知识管理[J].清华大学学报(自然科学版),2006,46(S1):964-969.

[4]
林东清.知识管理理论与实践[M].李东,改编.北京:电子工业出版社,2005：24-35.

[5]
Krackhart D. The strength of strong ties: The importance of philos in networks and organizations[M]//NitinN, Robert G E.Networks and Organizations.Cambridge: Harvard Business School Press,1992.

[6]
Cummings L L , Bromiley P.The organizational trust inventory: Development and validation[M]// Kramer R M, Tyler T.Trust in organizations. Thousand Oaks:Sage,1996.

[7]
Luo Jiade.Particularistic trust and general trust—A network analysis in Chinese organizations[J].Manage-

ment and Organizational Review,2005,8(3):437-458.

[8]
罗家德.华人的人脉——个人中心信任网络[J].关系管理研究,2006,6(3):1-24.

[9]
Bian Y.Bringing strong ties back in: Indireet ties, network bridges, and job seacrhes in China[J].AmericanSociological Review,1997,62(3):366-385.

[10]
罗家德.社会网分析讲义[M].北京:社会科学文献出版社,2010:15-89.

[11]
Barber B.The Logic and limits of trust.New Brunswick[M].New Jersey:Rutgers University Press,1983.

[12]
Tsai W P, Ghoshal S.Social capital and value creation: The role of intrafirm networks[J].Academy of Mana-

gement Journal,1998,41(4):464-478.

[13]
Sparrowe R T, Liden R C, Watne S J,et al.Social networks and the performance of individuals and groups[J].Academy of Management Journal,2001,44(2):316-325.

[14]
王绍光,刘欣.中国社会中的信任[M].北京:中国城市出版社,2003.

[15]
刘军.整体网分析:UCINET软件实用指南[M].上海:格致出版社:上海人民出版社,2014:28-165.

[16]
张伟,张庆普,单伟. 整体网视角下高校科研团队知识共享能力测量研究——以某高校系统工程科研团队为例[J].科学学与科学技术管理,2012(10):170-180.

[17]
Borgatti S P,Everett M G.Network analysis of 2-mode data[J].Social Networks,1997,19(5):243-269.

[18]
Freeman L C. Centrality in social networks: Conceptual clarification[J].Social Network,1979,1(5):215-239.

Options
文章导航

/

〈 〉