马永红 杨雨萌 高飞 | 高端平台培育博士生创新能力的机制及优势——社会资本和知识共享的视角
DOI:10.16298/j.cnki.1004-3667.2020.07.04
摘 要
● 我国依托高端平台培养了大量优秀博士生。但高端平台如何培育博士生创新能力及其优势尚需讨论。基于已有研究和调研数据，以知识共享为中介变量分析了博士生的社会资本与科研创新能力之间的关系。结果表明，平台提供的社会资本对博士生创新能力存在显著的正向影响，而知识共享行为在其中起到部分中介作用。运用实证分析方法对不同平台博士生的创新能力作用机制进行比较，发现高端平台在社会资本有效转化率及知识共享广度方面具有显著优势，对博士生创新能力培养的直接效应、组合效应、叠加效应三位一体，但在知识共享广度方面仍需改进。建议优化博士生社会资本的生成路径、构建合理的知识梯度、提升平台知识整合能力及引进跨学科知识人才，以提升博士生创新能力。
关键词
● 高端创新平台；博士生；社会资本；创新能力；知识共享
一、引言
《国家中长期人才发展规划纲要（2010—2020年）》中强调要“充分发挥研究生在科学研究中的作用，加强高校重点科研创新基地与科技创新平台建设。”博士生教育作为国民教育序列的顶端，肩负着“高端人才供给”和“科学技术创新”双重使命。因此，依托高端创新平台，对博士生培养实践进行调整和改革，提升博士生创新能力意义重大。结合国家重大战略和人才培养需求，国家和地方近年集中建设了一批具有全球视野面向未来前沿的高端创新平台，如国家实验室、国家工程中心、北京市高精尖创新中心、北京市实验室等国家和省部级平台，并依托高端平台培养了大量优秀博士生。从高端平台培养博士生的实际效果看，目前其整合机制、运行路径的优化建设等方面尚存在一些共性问题亟需研究，高端平台自身的优势功能也亟待进一步强化。本研究旨在深入解析此类相关问题，探讨提升其运行效率和人才培养效果的相应对策，以期为平台实验室建设、高校科研管理和一流大学建设提供一定启示。
近年来，由于知识生产模式转型的推动，实验基地、科研团队等正在逐步代替传统的学部、科系而成为了大学知识生产的中心，国际教育领域为适应知识生产模式的变化，已纷纷开展创新平台和重点实验室建设，如美国的国家实验室计划及科学技术中心、澳大利亚G8联盟搭建的“MONASH科技平台”等。可以看到，高端平台已成为研究型大学进行知识生产和培育拔尖创新人才的重要手段，国内外学者对平台的建设成效和人才培养方案展开了相关研究。国内学者的研究主要聚焦于依托创新平台培育研究生的相关经验总结。如刘娜分析了依托国家重点实验室在创新型研究生培养方面的优势、举措与取得的成绩。张莉等以武汉大学为例，探究了依托跨学科研究平台建设推进研究生跨学科培养。国外学者多通过案例研究方法来分析高端平台背景下的创新成果转化机制和人才培养方式。如Chavez等通过研究美国国家纳米技术工程项目，解析了美国国家实验室计划为培养技术专家和研究人员提供了多种便利条件。Uotila等以集群理论为基础，以北卡累利阿区为例剖析了芬兰区域创新平台的结构要素和发展模式。Wang Xiaofei分析了几个能源部（DOE）国家实验室的教育计划，他认为高端平台有利于丰富科学、技术、工程和数学（STEM）教育，对教师、高中生、本科生、研究生均有正向影响。赵俊芳和周天琪以“全球COE计划”为例，分析了日本的卓越科研基地建设和顶尖年轻研究者培养机制。
总体而言，已有研究多从经验分析的角度进行，并未涉及高端平台的资源环境对博士生创新能力影响的内在机理，平台内各结构要素对创新型人才培养的促进作用也缺乏实证研究予以佐证。因此，本研究以北京高校已经建设的高精尖中心为研究对象，通过理论建模、统计检验等方式研究知识生产模式转型背景下我国高端平台的资源环境特征及其对博士生创新能力影响的作用机制。
二、概念界定与研究假设
（一）高端平台与博士生社会资本
“社会资本”的概念源于社会学和政治学的相关研究，之后在解释社会现象时被广泛采用。Grootaert认为社会资本是“通过个体认同或熟悉的制度化的规范及网络可获得的资源和能力的集合”，Wasko等提出了社会资本的三维度模型，认为社会资本由结构资本、关系资本、认知资本构成。纵观国内外学者对“社会资本”结构的研究，虽然他们界定的概念和侧重的方面均有所不同，但基本的内涵较为一致，即通过某一系统可获得的资源是社会资本的载体，系统内的关系网络是社会资本的运作基础。
通过对13个北京市高精尖创新中心进行调研和观测，发现其资源环境为博士生搭建了丰富的学习和科研网络，并为之提供多样化的科技资源，在博士生社会资本构建方面有着鲜明优势。第一，各平台均具有良好的学科基础，大多依托于高校的国家重点学科，省部级以上创新平台。第二，各平台大多依托两个以上国家重点学科，具有天然的多学科的特质，并与高校外机构协作。第三，集聚了院士等优秀人才，具备了全球开放、协同流动、社会系统的特质。因此，本研究从社会资本的视角切入，探索高端平台资源环境与培养博士生创新能力的互动机理。
通过对国内外文献的梳理，将本研究情境下的博士生社会资本定义为博士生通过所在平台关系网络已获得的或潜在学术、科研、实践资源的总和。其中结构维度指的是网络内的关系模式及其稳定性，具体表现可为博士生与平台内专家、导师等优秀人才的密切程度、博士生对于平台内先进科技资源的接近程度等；关系维度指个体间形成的信任以及个体对组织的信任程度，具体表现可为博士生与平台内专家、导师及其他博士生在学习和科研互动合作中的信任程度；认知维度指的是基于共同的语言、共同感知目标和共同的文化构建的无形资源，用以确保对既定假设的理解是一致的，具体可表现为博士生与平台内专家、导师及其他博士生拥有共同的研究目标、相近的研究范式等。
（二）博士生创新能力
研究者们对于创新能力的定义和成分划分各不相同。美国心理学家Amabile提出的创新能力成分理论是最早的综合性理论之一。她认为与领域相关技能、与创造性相关的过程、任务动机和社会环境四个成分影响个体创新能力。Kleysen和Street提出个体创新能力的五阶段论：探寻机遇、生成想法、形成调查、拥护和应用。刘贤伟和马永红将创新能力的五阶段论引入博士生创新能力培养中，并将博士生创新能力归纳为两大维度：产生创新构想的能力和执行创新构想的能力。综上，本研究将博士生创新能力定义为博士生在学习、科研活动中产生创新思维，并努力将之付诸于实践的能力。
社会资本与一系列组织行为和现象关系的研究一直是学术界关注的重点，其中有不少关于社会资本与创新能力关系的实证研究。如Chen等从团队内部视角出发，发现社会资本对研发项目团队创造力具有正向促进作用。古继宝等的研究表明研究生的同龄人、导师和专家的社会资本均能够影响他们的创造力。根据Amabile的创新能力成分理论，社会环境是影响个体创新能力的关键要素，而本研究中的高端平台是博士生工作和学习的场所，是影响其创新能力的重要社会环境因素。基于此，本研究提出如下假设：
H1：博士生的平台社会资本对其创新能力有正向影响。
（三）知识共享行为的中介作用
知识共享行为指的是个体为帮助他人或与他人合作来解决实际问题、寻找新思路而采取的分享信息及专业知识的行为，可划分为知识共享深度和知识共享广度两大维度。知识共享的深度是指分享信息及专业知识的水平，即共享的知识的质量高低。知识的广度是分享信息及专业知识的多样性，即共享的知识种类的跨度和幅度。博士生的培养质量有赖于及时有效地获取信息，而根据已有文献，社会资本的三维度均对知识共享行为存在显著促进作用，故本研究认为良好的平台可以通过充实博士生社会资本来促进信息共享、相互支持和非正式学习。与此同时，根据知识的边际效用递增理论，知识共享亦是推动创新活动的关键因素，在有关创新能力文献中其多次作为中介变量出现。如许梅枝和张向前发现知识共享在包容型氛围与员工创造力间起中介作用，王士红等引入了知识共享作为中介变量来探究组织氛围感知对员工创新行为的影响。杨德祥等的研究进一步证实了知识共享在社会资本对个体创新行为的影响中发挥中介作用。在研究生教育领域，亦有以知识共享作为中介变量来探讨培养环境与创新行为的相关研究，如苏利等发现多学科专业研究生的知识共享行为在团队结构与协同创新的关系中具有中介效应。Shin等的研究也表明知识共享的质量在博士生的培养环境与创造能力的关系中发挥媒介作用。由此可以推断，知识共享行为在博士生将平台资源运用到创新的过程中起到桥梁作用。为深入剖析知识共享行为对高端平台资源与创新能力关系的影响，结合已有文献和博士生知识创新的实践，本研究拟从广度与深度两个维度入手进行分析。综上所述，本研究提出如下假设并构建相关理论模型如图1：
H2：博士生的知识共享深度在其社会资本与创 新能力关系中起部分中介作用。
H3：博士生的知识共享广度在其社会资本与创 新能力关系中起部分中介作用。
三、研究方法
（一）研究对象
本研究于2017年6月份采取随机抽样的方式选定清华大学、北京航空航天大学、北京理工大学、北京化工大学、北京交通大学、北京工业大学6所北京市的1 200名理工科博士生作为样本，最终回收有效问卷917份，回收率为76.4%。其中具有高端科研平台研究经历的博士生417人，未有相关经历的有500人。院校分布中清华大学186人，北京航空航天大学218人，北京理工大学152人，北京化工大学125人、北京交通大学110人，北京工业大学126人。所有样本中男性占57%，女性占43%；在学科类别上，理科占比45.6%，工科占比54.4%。整体来看，样本分布范围及结构较为合理，具有较好的代表性。
（二）研究工具
博士生创新能力的测量参考Zhou和George等开发的创造力量表，共10个题项，如“我会用新的方法去实现科研目标”。采取里克特五点计分法。低分代表低水平的创新能力，高分代表高水平的创新能力。研究中该量表Cronbach’s α系数为0.75。
博士生平台社会资本的测量参考Kouvonen等开发的社会资本量表，结合博士生的实际进行改编，共11个题项，采取里克特五点计分法。低分代表低水平的社会资本，高分代表高水平的社会资本。结构资本示例题项如“在面临科研问题时，平台成员能够以建设性的方式互相讨论并解决”，关系资本示例题项如“平台成员相互信任，能够共同面对问题和困难”，认知资本示例题项如“平台成员对科研任务中采用的技术、工具、术语等有共同的理解”。研究中该量表Cronbach’s α系数为0.96。
知识共享行为的测量参考Spender和Bernard的相关研究，共6个题项，包含深度和广度两个维度。知识共享广度的示例题项如“平台成员包含跨学科专业背景的人员，能够从不同成员处获取多方面的信息”，知识共享深度的示例题项如“平台成员能够非常便捷和通畅地共享信息”。采取里克特五点计分法。研究中该量表Cronbach’s α系数为0.83。
四、研究结果
（一）共同方法偏差检验
本研究施测时对问卷个别项目采用反向计分以减少共同方法偏差，并在数据分析前采用Harman’s单因素检验法检验共同方法偏差。探索性因素分析表明，第一个因子解释的变异量为34%，小于50%的临界标准，因此本研究中的共同方法偏差不显著。
（二）倾向得分匹配及匹配效果检验
考虑当前各高校的选拔机制及人才培养方式各具特色，博士生进入平台之前的初始创新能力可能存在差异，高端平台博士生的前置条件或优于普通平台博士生，若不进行处理，可能会存在样本选择偏误导致的内生性问题。因此，本研究参照王传毅等的研究，选取倾向得分匹配法（PSM）对样本进行匹配和处理，以最大程度上消除样本的选择性偏倚，避免内生性偏差。考虑博士生的个人特征和导师指导是创新能力的影响因素，本研究选取性别、年龄、入学方式和导师职称等为协变量，以“培养平台”为干预手段，参考李文平等的研究设计，利用统计软件Stata13.0以创新能力为结果变量进行倾向得分匹配，形成可供比较的“处理组”和“对照组”。（见图2）最后，利用匹配后样本，通过构建结构方程模型以比较其效应区别和路径差异。匹配后的两组样本的共同取值范围大部分重叠，符合共同支撑假设，（见图3）匹配后的协变量标准化偏差在分布形态、拟合线趋势等方面趋同且聚集于0附近，（见图4）表明经匹配筛选后的样本满足条件独立假设。根据数据结果，经匹配后的样本不但约束了可观测的异质性要素，而且消减了不可观测因素带来的内生性问题，控制了非随机试验中样本选择所带来的偏差。
（三）变量的描述性统计与相关分析
本研究对各变量进行了描述性统计和相关分析，（见表1）结构社会资本、关系社会资本、认知社会资本、知识共享深度和博士生创新能力五个变量之间两两相关，知识共享广度与博士生创新能力、知识共享深度三个变量两两相关，且均在0.01的水平上显著（假设H1得证）。性别、年龄两个人口学变量与各个变量之间相关不显著，因而后续分析中无需加以控制。
（四）研究变量的平台差异
研究采用独立样本T检验的方法考察不同平台博士生在社会资本各维度、知识共享深度、广度和创新能力上的差异。从表2的数据可以看出，高端平台和普通平台博士生在社会资本三个维度上无显著差异、但在知识共享深度、广度和创新能力方面都有显著差异，高端平台博士生的水平显著高于普通平台。
（五）中介效应检验
使用SPSS22.0进行数据管理和分析。考虑到传统的Sobel检验的局限性，本研究采用MPLUS7.0软件进行并行多重中介效应分析，将A1B1-A2B2设置为辅助变量。使用偏差校正的Bootstrap方法进行分析。首先进行模型拟合程度检验：MPLUS软件得到的模型拟合结果是χ2=22.02，自由度df=8，χ2/df=2.75，CFI=0.98，TLI=0.97，ＲMSEA=0.04，模型拟合程度良好。并行多重中介效应的数据结果如表3所示：知识共享深度、广度的特定中介效应均是显著的，总的中介效应也是显著的，两个特定中介效应之间的差异同样显著，假设H2、H3得证。考虑到两个特定中介效应之间的差异显著可能是由于平台差异导致的，后续将进行分模型检验。
（六）不同平台博士生能力比较分析
经独立样本T检验可知，参与过高端科研平台的博士生的创新能力显著高于未参与过高端科研平台的博士生。同时，前文已证两个特定中介效应之间存在差异。为此，需对不同平台的两类博士生的模型进行比较分析。建构对应的两组结构方程模型，各拟合指数均在合理范围内，得到如下两组路径系数图，（见图5、图6）可知高端平台培育博士生创新能力的影响路径包括四条，而普通平台则包含三条。为进一步精确分析其差异性，使用Hayes编制的SPSS宏程序PROCESS计算模型不同路径的效应量大小，结果见表4。
五、结论与建议
（一）主要结论
本研究采用917份问卷调查数据，分析了科研平台社会资本对博士生创新能力的影响。研究发现，平台社会资本对博士生的创新能力具有正向影响，博士生的知识共享深度在其社会资本与创新能力关系中起部分中介作用，博士生的知识共享广度在其社会资本与创新能力关系中起部分中介作用。高端平台博士生创新能力的影响路径和普通平台存在显著差异。高端平台博士生社会资本对其创新能力直接促进作用更为显著，且会在知识共享深度、广度的中介作用下显著增强，而普通平台博士生的知识共享广度并未对其能力发展起到正向促进作用。相较于普通平台，高端平台对于博士生创新能力的培养具有以下优势。
1. 高端平台对博士生创新能力培养具有直接效应优势。本研究发现，高端平台博士生社会资本对其创新能力培养的直接效应显著优于普通平台。根据前文独立样本T检的结果，高端平台和普通平台博士生在社会资本三个维度上无显著差异，不同类型博士生通过平台关系网络已获得的或潜在学术、科研、实践资源的总和并不存在较大差异，但高端平台培育下的博士生更能结合已有资源提升自身能力。与以往设想不同的是，本研究发现高端平台对博士生创新能力培养的直接优势并非因为其自身社会资本较雄厚而导致的量的优势，而是体现在平台资源转换的有效性和作用率。
2. 高端平台对博士生创新能力培养具有组合效应优势。相对于普通平台，高端平台对博士生创新能力培养的组合效应更为显著。高端平台博士生社会资本对其创新能力的促进效应在知识共享深度、广度中介作用下进一步放大增强，而普通平台博士生社会资本对其创新能力的促进效应仅在知识共享深度的中介作用下得到增强，经过知识共享广度的中介作用后效应反而被削弱。高端平台对博士生创新能力培养在知识共享深度、广度两个维度具有鲜明的组合优势，互相推动促进。
3. 高端平台对博士生创新能力培养具有叠加路径优势。相对于普通平台，高端平台培育博士生创新能力的影响路径更为丰富，且各路径之间互相推动，发挥叠加促进效应。结合前文独立样本T检验结果可知，高端平台博士生知识共享行为不仅在两大维度的平面水平上显著高于普通平台博士生，且在内部结构和匹配程度上具有明显的优势。根据表4，高端平台对博士生创新能力培养的发挥了双重中介的链式促进作用，通过四条路径多维促进学生能力进步，发挥叠加作用，而普通平台对博士生创新能力培养缺失了“社会资本→知识共享广度→创新能力”这条关键路径，主要依靠知识共享深度的中介作用，有所偏颇。
（二）建议
1. 优化博士生社会资本的生成路径，提升其对能力培养的有效性。本研究发现，不同平台博士生的社会资本不存在显著差异，但高端创新平台培育下的博士生更能结合已有资源提高自身能力，两者间的差异在于平台资源转换的有效性。故普通平台应学习和借鉴高端平台的长处，在投入博士生培养资源时，避免机械地资源拼凑，立足于资源的优化配置和衔接组合，扎根于具体的培养环节中，进一步提升社会资本对博士生创新能力的积极促进作用。如导师和科研管理人员可以根据学生的科研基础、学科背景等，匹配学生的专业基础知识学习和科研项目参与，促进博士生培养管理的精细化，以提升社会资本对其能力培养的有效性。
2. 构建合理的知识梯度， 提升平台知识整合能力，建设高水平知识共享通道。无论是高端创新平台亦或普通平台，知识共享深度均对其博士生创新能力的培养起到正向促进作用，故推进高质量的知识共享对其人才培养至关重要。因此，考虑到平台内部不同层级学生的知识距离，首先需要构建平台内部合理的知识梯度，以保证高质量知识通过适当的梯度从高到低深入流动，最大限度地传递平台内部的高水平知识。同时，需要发挥知识整合的动态放大效应，通过加工新获取的知识和重新整理平台内部的原有知识，促进新旧知识有机结合，促进原有知识得到进一步的增值。
3. 保持平台资源的异质性，引进跨学科知识人才，拓宽知识共享领域。当前，高端创新平台的知识共享广度虽然已对创新能力起到正向促进作用，但效应量显著低于知识共享深度的作用，因此，拓宽知识共享范围是高端平台进一步培养创新型人才的重要路径。引进跨学科知识人才是保持平台资源的异质性，提升知识共享广度的有效措施。把跨学科的方法知识及思维模式融入到博士培养的过程中，有助于不同学科背景导师和学生的学术融合，催生重大的科研成果和创新。
作者
●马永红，北京航空航天大学高等教育研究院教授，北京 100191
●杨雨萌，北京航空航天大学高等教育研究院博士研究生，北京 100191
●高 飞，北京航空航天大学高等教育研究院博士研究生，北京 100191
原文刊载于《中国高教研究》2020年第7期第19-25页
栏目
●学位与研究生教育研究
中国高教研究
微信号 : zggjyj1985
投稿平台：
http://editor.hie.edu.cn