NK 模型及其在组织与战略管理研究中的应用

吴建祖,廖 颖

(兰州大学管理学院,甘肃兰州730000)

一、引 言

N K模型是由进化生物学中研究基因系统的方法演变而来的一种结构化仿真方法,主要研究模块化系统如何通过适应性搜寻快速有效地达到最优点。[1]N K模型适合研究系统内部要素间的相互作用关系对系统的整体适应性的影响这样非常重要的问题。一般来说,系统内部要素间的相互作用关系通常被认为是影响系统复杂性的重要因素之一[2],且很难用实证数据来测量。因此,N K模型的最大优势在于能相对简单地处理一些无法用实证方法研究的问题(Ganco和Hoetker,2009),比如系统复杂性如何影响系统的整体适应性。

由于N K模型具有自己的特性和优势,因此,自从Levinthal[3]把N K模型用于研究自组织行为与自然选择之间的关系以来,该模型已经在组织与战略管理研究中得到了广泛的应用。在国内,也有学者把它应用到技术创新(任锦鸾和顾培亮,2002)、组织结构模块化(张钢和薄秋实,2009)、知识联盟企业信息资源开发(戚桂杰和张伟,2007)、成员相互作用对组织绩效的影响等研究(马骏、张华和席酉民,2008;席酉民、张华和马骏,2008)。

什么是N K模型?采用N K模型究竟适合研究什么样的问题?N K模型主要应用于组织与战略管理研究的哪些方面?未来的研究发展如何?这些都是本文要回答的问题。本文首先介绍N K模型的基本原理,然后讨论N K模型在组织和战略管理研究中应用的问题,最后对N K模型的未来应用前景进行展望。

二、N K模型的基本原理

N K模型由生物学家 Kauffman[4]提出,最初是一种用于研究细胞组织、蛋白质等生物有机体演化的方法。Kauffman将生物有机体看作一种由基因组成的复杂系统,结合Wright[5]提出的适应度景观(fitness landscape)的概念来研究生物有机体的演化。通过在基因型(genotype)与表型(phenotype)之间建立映射关系,生物体所有的表型就会形成崎岖不平的适应度景观。基因型又称遗传型,是指生物的全部遗传物质(基因)的总和,而表型则是指生物体个别或少数性状乃至全部性状的表现。基因型是生物体在适当环境条件下促使表型发育的内因,而表型发育则是基因型和环境条件共同作用的结果。

在组织与战略管理研究中,组织、创新、战略等被抽象为一种内部要素间具有相互作用的复杂系统。根据Simon[2]对复杂性的解释,复杂性由内部要素的数量N以及内部要素间相互作用的大小 K这两个参数来控制。复杂系统(组织、创新、战略等)在N K模型中被看作具有适应性的主体,拥有自己的适应度景观。适应度景观表示主体寻求更高绩效的搜寻空间,主体不断地在适应度景观上搜寻更优的系统状态,并最终到达适应度景观的最高峰。

(一)适应度景观

在N K模型中,适应度景观由N和K两个参数决定,通过控制N和 K,可以观察复杂性对系统演化的影响。其中,N表示构成系统的要素数量,每个要素决定系统的一项特性,N项特性的综合表现决定一个系统的优劣,系统的优劣程度用适应度值来衡量。具体而言,如果定义一个具有N个要素的系统,每个系统要素di(i=1,2,…,N)拥有两种状态,这两种状态用二进制数0和1来表示,整个系统就具有2N种表现形式,每种表现形式是一个由N个二进制数组成的向量,如(011…1)。给这2N个向量随机指定不同的值,即适应度值,再将其与N和 K映射到一个三维空间上,就形成了适应度景观。因此,适应度景观本质上是由系统所有可能状态形成的三维图。复杂系统的演化就是通过要素的变异(要素由一种状态转换到另一种状态)使得系统的总适应度值不断提高,具体表现为适应度景观上的“攀爬”过程(Holland,1992)。例如,假定组织战略是一个具有三个要素的系统即N=3,战略S1(011)的绩效(适应度值)为0.5,战略S2(001)的绩效(适应度值)为0.9,那么组织为了追求更高的绩效,就会将组织战略从S1转换到S2,这个不断选择更高绩效战略的过程也就是攀爬过程。

在N K模型中,K表示系统要素间相互作用的大小。要素间的相互作用是指:一个要素发生变异,不仅会引起由它决定的系统适应度值发生变化,还会引起与它相关的其他K个要素决定的系统适应度值发生变化。系统整体适应度值是否发生变化取决于这两部分的变化。具体而言,设一个系统的整体适应度值为f,由每个要素对系统整体适应度值的贡献值fi(i=1,2,…,N)加权平均产生。在仿真过程中,每个要素的贡献值fi是服从某个统计分布的随机变量的实现值。要素与要素间的相互作用可表示为dij(j=1,2,…,K),则第i个要素对系统整体适应度值的贡献值可由函数fi(di,di1,…,dik)表示,它反映第i个要素的贡献值是其自身以及与其相关的 K个其他要素状态的函数。因此,系统的整体适应度值函数为

应该注意,系统的整体适应度值函数只是反映了要素间具有相互作用这个性质。但由于fi(di,di1,…,dik)的具体形式未知,因此,要素间具体的相互作用模式也未知。另外,这种向量与绩效值之间的映射关系除了可以用适应度景观来表示之外,也可以用矩阵形式来表示,这种矩阵被称为相互作用矩阵。

不同的N和K值会产生崎岖度不一的适应度景观,反映适应度景观崎岖性的一个关键概念是顶点或局部最优点。顶点是指在给定搜寻方式下不能再提高其绩效总值的那组数字集合[5]。顶点的数量可以直接反映适应度景观的崎岖度,也就是反映当前N和K参数条件下的系统复杂性。对于一个给定的N值,当 K=1时,整个适应度景观上只有一个顶点,因而适应度景观看上去十分平滑,主体在很短时间内就能在这样的适应度景观上找到其顶点(参见图1)。随着K值的增加,顶点数就会急剧增加,当K> 1(即各个要素互相影响)时,适应度景观会呈现出非常崎岖的特征,这时主体可能要花费很多时间才能找到其顶点(参见图2)。

图1 平滑的适应度景观

图2 崎岖的适应度景观

(二)搜寻方式

搜寻方式是指主体所采用的适应方式,也就是系统要素发生变异的方式,这种方式体现为一个在适应度景观上进行“攀爬”的过程(Holland,1992)。由于N K模型关注的是最优化过程和演化路径,实验者如何界定搜寻的方式在很大程度上决定模型的动态性(Ganco和 Hoetker,2009)。现有研究的主要搜寻方式如表1所示。

表1 主要搜寻方式的基本原理和特点

(三)N KC模型

生物学有关物种间协同演化的理论认为,物种之间是相互影响的,在与其他物种或环境互动的过程中,适应性主体会改变自己的结构或行为来做出反应(Ehrlich和Raven,1964)。在社会系统中,这种现象也十分普遍,如位于一个产业集群内的多个企业就有类似的特征:地理位置相近的竞争企业会形成一个相互影响的集群,这样的集群是国家竞争优势的重要基础(Porter,1990)。

由于这种物种与物种之间、物种与环境之间的相互作用,以及这些相互作用过程所形成的集群的整体特征在N K模型中并未得到反映,因此,Kauffman提出了N KC模型以强调这种相互影响。[6]N KC模型与N K模型的主要区别在于,N KC模型引入了参数C来表示不同物种间的相互影响程度。具体而言,参数C表示一个物种某个要素的变化会对另一个物种C个要素的绩效贡献值产生影响。从适应度景观的角度来看,在N K模型中,尽管可以动态地改变适应度景观,但所有主体所处的适应度景观都是一样的;而在N KC模型中,一个主体的行动会改变其他主体的适应度景观,系统中每个主体所面对的适应度景观都在不断地变化和重塑。

N KC模型的这种特性很适用于模拟与产业竞争相关的问题,因为在产业竞争中,竞争对手的每次行动都会对其他企业产生很大的影响,处在整个相互演化群里的企业也因此呈现出一些与N K模型所描述的集群不同的特征。在目前的研究中,有学者用N KC模型来研究同一产业集群企业之间的关联程度对整个产业集群内的企业达到纳什均衡的影响[7],也有学者用这个模型来研究新进企业和寻求多样化的企业在绩效上产生差异的原因(Ganco和Agarwal,2009)。

三、N K模型在组织与战略管理研究中的应用

在全球化、数字化和资本市场的高流动性成为当今企业成长环境基本特点的今天,日益复杂的环境对现有的管理理论造成了巨大的冲击。在战略管理领域,企业可以通过构造或选择战略来适应或创造环境的观点面临越来越大的挑战。一方面,从有限理性的观点出发,在复杂的环境下,企业构造自身战略的能力显得非常有限;另一方面,环境的复杂性无疑也会对企业自身的行为产生制约。组织管理领域也迫切需要新的理论和方法来研究和解释组织内部日益复杂的成员关系、等级关系和部门关系等。

从复杂理论的视角看,组织是一个有生命的、会思考的有机系统,具有自组织的特性(Bonabeau和Meyer,2001)。自组织特性是一种适应性行为,既可以反映组织向着更高绩效演化的过程,也可以表示组织在做出战略选择后的行为表现。如前所述,N K模型是一种研究复杂系统的模型,它可以通过调节K值(即调节适应度景观的复杂性),或者说通过变换适应度景观的形状来考察环境的复杂性或者环境的动态变化对组织适应性行为的影响。环境的复杂性和动态性在实证研究中往往难以测量,但在N K模型中,研究者可以通过改变参数方便地观察到复杂性以及动态性对组织适应性行为的影响。

一般来说,组织管理研究者用N K模型研究组织结构对组织适应性行为的影响,而战略管理研究者则使用N K模型进行以下三方面的研究:一是结合运用产业动态理论,在研究单个企业能力差异的同时,联系更宽泛的行业竞争动态性问题来考察企业的自组织行为与外部环境之间的关系;二是研究管理者认知与战略选择之间的关系;三是研究战略复杂性对组织适应性的影响。

(一)自然选择与适应性行为

关于组织变革动因,有两种观点,一是自然选择论,二是战略选择能动论。长期以来,众多学者认为自然选择论可用来解释组织和组织运作模式形成和演化的原因。[8]自然选择论强调环境对组织及其运作模式形成和演化的影响作用,并认为组织的演化也遵循优胜劣汰、适者生存的自然选择过程。然而,许多关于组织异质性的实证研究表明,处于相同产业环境中的企业组织并不都具有相同的组织形式;相反,具有适应性的组织有其不同的发展轨迹(Eisenhardt,1988;Cappelli和Crocker-Hefter,1996)。Eisenhardt(1988)以及Cappelli和Crocker-Hefter(1996)强调组织及其运作模式不是自然形成的,而是组织决策的结果。不管是自然选择论还是战略选择能动论,都非常强调环境的重要性。

此外,有限理性理论认为,环境的复杂性会影响管理者的战略选择能力;而复杂系统理论则认为,在某些情况下,由于环境复杂,自然选择的力量并不突出。[4]对此争论,一种折中的意见是,自然选择与适应性行为并非相互排斥,而是共同作用并影响组织的形成和演化。Levinthal[3]用N K模型分别模拟了适应性行为机制和自然选择机制,并通过调节 K值来模拟环境复杂性对这两种机制的影响。研究表明,组织以及组织运作模式的演化由这两种机制共同决定,组织的适应性行为把组织带到适应度景观的局部顶点,而自然选择的力量则会淘汰那些达不到要求的组织,最终导致存活下来的组织集中到适应度景观的全局最优点上。由于适应性行为决定参与自然选择过程的组织的形式,因此,适应性行为也会对自然选择力量产生限制和指引作用。而且,在复杂的环境下,局部顶点的绩效值相差很小,选择力量缺乏筛选的基础,因而组织的最初形式就成了影响组织最终形式的关键因素。McKelvey[7]采用N KC模型对企业间复杂性和企业内部复杂性进行了分析。他把N看作企业价值链上的要素,K表示价值链要素之间的相互作用关系,C表示受竞争对手影响的要素,S表示进行协同演化的企业数量,而企业最终稳定于局部顶点时的绩效值表示企业在产业中的竞争优势。根据 Kauffman[4]的观点,复杂性会使得选择力量的作用减弱。McKelvey[7]把 Kauffman这一观点应用于产业竞争领域,并且认为寻找最优水平的复杂性是组织设计和维持竞争优势的关键,即不同的复杂性水平对自然选择力量以及适应性行为的影响是不同的;而且,根据协同演化理论,组织可以通过构造自己的战略来确定复杂性水平。

上述研究反映了关于自然选择与组织适应性的争论,其基本结论是:自然选择并不一定是引起组织结构形式变化的唯一因素,组织也是具有自适应性的系统,可以通过做出适应性调整来演化。而且,环境的复杂性不同,因此,这两种因素对组织变革所产生的影响也不同(Lewin和Volberda,1999)。对组织管理研究者来说,这些结论解释了引起组织演化的两种机制(即环境和组织适应性行为)是如何共同作用于组织演化的方向;而对战略管理研究者来说,这些结论强调了不应该只把眼光盯住外部环境,而更应该重视组织本身的适应性行为,因为组织的适应性行为构成了组织战略选择的基础。如果我们能够通过某些手段来影响组织的适应性行为,那么就有可能影响战略选择的结果。此外,Mckelvey[7]将个体组织与产业竞争环境联系起来,证明组织有能力改变自身以及对手所面临的环境,所以,战略选择的主观能动性非常重要。

(二)组织结构与组织决策

组织环境、组织结构、组织战略与组织绩效之间的关系是组织和战略研究关注的又一重要问题。[9]组织环境如何影响组织结构、组织结构如何影响组织战略选择并进而影响组织绩效、组织的最佳结构是什么,这些都是研究者们重点关注的问题。在N K模型中,N表示组织构成要素的数量,K表示这些要素间的相互作用程度;K值越大,组织构成要素之间的互动越频繁,联系也就越紧密。Levinthal[3]用N K模型研究了组织环境与组织构成要素联系紧密程度的关系。结果表明,在不确定环境下,构成要素联系紧密的组织在适应度景观上的生存率要低于构成要素联系松散的组织。换句话说,构成要素联系松散的组织更能适应环境的变化。

更多的研究集中在如何运用N K模型模拟具体的组织结构形式(如垂直科层结构、集权与分权结构等)对战略选择、创新、组织学习等的影响。在这些研究中,组织内部的决策过程被表示为一种规则,这种规则决定哪些组织要素发生变异,即确定搜寻到达的点。下面用个体间决定搜寻行为的过程来表示集权与分权结构。如前所述,搜寻是通过比较变异前、后的绩效值来决定的。在这个过程中,可以根据组织整体的绩效值作为比较标准,也可以使用单个要素的绩效值作为比较标准。具体而言,主体被视为由N个个体(要素)构成的组织,而每个个体都有决定自己是否变异的能力,如果搜寻规则为每个个体根据能否提高自身的绩效值来决定是否变异,那么就称这类组织为分权组织,因为它侧重的是个体参与者的利益;而如果发生变异的要素取决于整体绩效值,那么,这类组织就是集权型组织。[10]科层结构主要是根据如何将各部分决策整合成整体决策来表示,N被视为组织所面临的所有决策要素,K是这些要素间的相互作用关系程度,假定有一个管理者,i个下属,i个下属有属于自己的决策范围N1,N2,…Ni, N1+N2+…+Ni=N;每个下属在自己的决策范围内进行局部搜寻,并将最优决策提交给管理者,管理者有权选择接受、拒绝或者部分接受下属的提议,即管理者有权决定给予下属多大的决策自主权。这种决策分解的过程就是垂直科层结构的典型表示方法[11]。在研究中,组织被看作是解决问题的主体,在问题空间上搜寻最佳的解决方案,组织结构的意义在于把整个问题空间分解为许多子空间,通过在各个子空间上搜寻最佳方案来加快搜寻速度和提高搜寻质量。这样,如何划分子空间以及如何根据局部决策做出整体决策就成为组织结构设计的主要内容。

组织环境影响组织结构设计。例如,在不确定环境下,分权式组织结构(即管理者给予下属充分的决策自主权)更能适应环境的变化。不同的组织结构设计要素组合在促进组织进行探索性搜寻(exploration search,即在新的或更大范围内搜寻)或开发性搜寻(exploitation search,即在现有的或相对稳定的范围内搜寻)的程度也不相同。例如,一个组织如果具有充分的垂直信息流,拥有基于整个组织范围的激励手段,并且管理者有很强的决策能力,那么,这类组织结构将促进组织的探索性搜寻[11]。Chang和 Harrington[10]运用随机过程模拟市场环境特征的方式研究了零售连锁企业的组织结构。他们认为,在零售连锁企业各店铺面临的市场环境各不相同、消费者对店铺的活动不敏感、市场环境相对稳定时,分权式组织结构能比集权式组织结构获得更高的组织绩效。

综上所述,这类研究的基本思路是,把组织结构的内涵抽象为可用计算机表征的方式,通过改变控制不同组织结构的参数来考察某种组织结构类型或某个组织结构设计要素对组织搜寻行为的影响以及组织搜寻行为对组织绩效的最终影响。

(三)管理者认知与组织适应性行为

在组织管理研究的N K模型中,组织适应性行为被抽象为一种基于有限理性的局部搜寻行为。[12]组织以及组织内部各主体是受结构、认知和情感等因素影响的认知主体。管理者(即认知主体)对环境的认知决定组织的战略选择,而组织的战略行为则决定组织演化的进程(Carley,2002)。

Gavetti和Levinthal[13]把N看作组织的环境要素,K表示这些要素间的关联程度,而适应度景观就是组织面临的问题空间。管理者认知空间被看作是一个维度小于问题空间的简约空间,管理者在自己的认知空间中寻找最优方案,然后将最优方案在问题空间上确定的范围定为组织开展搜寻的范围。研究结果表明:认知在确定经验学习的方向以及限制经验学习的过程方面起着重要的作用,认知确定的搜寻范围越大,经验搜寻的起始位置就越有可能位于较高绩效的起始点,从而影响组织最终到达的绩效点。另外,这项研究也强调了改变认知空间的意义和风险,改变认知空间也是一种应对环境变化的适应性表现,但同时可能会丢失一些以往积累的重要经验。Gavetti[14]在研究管理者认知和科层结构对组织能力的影响时,也采用了这种认知建模方式,并结合组织科层结构的特点分析揭示了组织能力发展的因果关系——管理者认知决定组织的搜寻基础(即组织能力的发展基础),而管理者认知的准确性与管理者在科层结构中所处的地位有关。马骏等(2008)把这种认知空间的范围称为管理者认知宽度,并引入了管理者认知精确度——一个表示管理者所识别的战略决策配置的组织绩效与真实景观中组织绩效差距的参数,考察了管理者认知宽度、精确度以及环境复杂性三者对组织绩效的影响。此外,Rivkin (2001)在解释哪些因素导致战略可在组织内部更有效地复制,并不被外部组织模仿时也指出,组织内部的复制基于对决策信息有一定了解的心智模式之上,从而提高了战略在组织内部复制的成功率。研究表明,管理者认知可以促进企业内部的知识转移并阻止外部模仿,进而有利于组织维持自己的竞争优势。

这类研究目前面临的挑战是如何在模型中对管理者认知进行表征和建模。已有的认知建模方式忽略了认知的许多其他特性,如情感依恋,同时也忽略了认知与环境的相互作用,即管理者不仅可以通过改变自己的认知来适应环境的变化,也可以通过改变现实环境来实现认知与现实的统一。[14]

(四)战略复杂性与组织绩效

当许多战略管理研究者把目光投向如何制定战略来获取竞争优势的时候,却忽视了战略本身所具有的某些特性也可能成为维持竞争优势的源泉。有研究者从战略决策本身所具有的内部相互作用关系出发,用N K模型从两个方面来研究组织战略的内部特性与组织绩效之间的关系。首先,在有关企业如何成功阻止战略被其他企业模仿的实证研究的基础上,讨论战略决策的复杂性如何阻止战略模仿以及如何获取和维持竞争优势;[15]其次,分析战略决策之间的相互作用模式及其复杂性对组织绩效的影响。

在模型中,研究者把战略看作是一组决策的集合,N表示战略中包含的决策数量,K表示这些决策之间的相互联系程度,适应度景观则表示管理者的决策空间。外部企业的模仿过程就是寻求与决策空间中的“标杆点”相匹配的过程。模仿过程有三种形式:内部变革、外部模仿、混合模仿。模仿者通过比较各种模仿形式最终得到的组织绩效与“标杆”绩效之间的差距来选择最适合的模仿形式。研究表明,当战略复杂性很高时,不管模仿者采取什么模仿形式都不可能获得想要的效果:部分模仿会导致模仿者很快陷入一个冲突区域而无法找到更高的绩效点;全面模仿具有极大的风险,一旦失败,模仿者将会蒙受巨大的损失。[15]这表明战略复杂性有利于阻止战略被其他企业模仿,从而能够更长久地保持企业的竞争优势。然而,过于复杂的战略在有效阻止外部企业模仿的同时,也不利于战略在组织内部的复制,因此,只有在战略复杂性适中的情况下,并且当组织拥有比对手更多的成功经验时,战略既可以在组织内部有效复制,又可以阻止对手的模仿,组织既能维持外部竞争优势,又可实现内部的知识转移(Rivkin,2001)。Ghemawat和Levinthal[16]对战略复杂性的内涵做了补充,他们从空间和时间两个方面来考察复杂性的内在机理,并且指出不仅部门与部门之间的决策会互相影响,产生于不同时间点上的决策也会相互影响,这两种不同维度的相互作用关系的共同作用造就了整体战略的复杂性,并用N K模型合并考察这两种关系,讨论这两种关系对整体战略复杂性的影响。

另外,在传统的N K模型中,要素与要素间的相互作用模式是随机指定的,即某个要素到底与哪几个要素进行相互作用是随机指定的。而在组织系统、技术系统、社会系统的情境下,要素与要素间具有其特定的相互作用模式,如偏好网络模式(Ahuja和 Carley,1999)、小世界模式(Cowan和Jonard, 2004)等。Rivkin和Siggelkow[17]借鉴实证研究的结论,分析了十种常见的相互作用模式随着复杂性的增加对适应度景观上顶点数量的影响,并考察了探索性行为在这些不同适应度景观上取得的成效,由此得出了如何在探索性行为与开发性行为之间合理配置资源的结论。还有学者考察了在小世界与偏好网络两种相互作用模式及成员间的不同搜寻战略下,成员间的相互作用方式对群体绩效的影响(席酉民、张华和马骏,2008)。这些研究不仅提供了新的关注可持续竞争优势的视角,也提醒战略制定者在把战略看作决策系统时应该充分考虑决策系统要素间的各种相互作用方式对系统整体绩效的影响。

四、结论与展望

综上所述,运用N K模型研究组织与战略管理问题具有一定的优势。首先,N K模型作为一种仿真模型,具有较好的内部效度,而且适用于研究纵向、非线性过程。[1]在研究过程中,可以通过不断改变适应度景观来考察环境特性对搜寻行为的影响,因此在复杂多变的环境下,N K模型方法比实证研究方法更加可行、简洁。其次,与其他计算机仿真方法相比,N K模型可以同时考察多个主体的搜寻行为,因而可以用于观察微观主体的自组织行为对宏观涌现特征的影响,并且可通过仿真过程清楚地观察这种涌现特征产生的全过程。最后,N K模型也可以把组织层面搜寻过程的特征和适应性与产业的动态竞争结合起来[18],考察动态的产业结构特征对组织行为的影响。尽管如此,N K模型目前还不是一种主流的组织与战略管理研究方法。究其原因,一方面,计算机仿真方法在管理研究领域还没有得到普及;另一方面,N K模型本身的一些技术缺陷也是制约其在管理研究领域推广应用的主要原因。

随着复杂理论思想在管理研究中的逐步普及,N K模型也将不断显示其活力。从目前来看,相关研究已经呈现出以下几种趋势。

首先,由于环境由竞争向超竞争转变,外部环境的复杂性导致战略制定者制定精确战略的可能性大大降低,战略管理研究转而着重考察企业内部能力演化的方向(Anderson,1999),N K模型在战略管理领域的应用将越来越深入,企业的创新能力、组织学习能力等将是后续相关研究重点关注的内容。

其次,必须对N K模型进行方法上的改进,使其更具表征现实特征的能力。例如,N K模型的相互作用关系类型被设定为一种随机关系,而在组织系统、社会系统和技术系统中,系统内部的关系却是有迹可循的。[18]因此,如何在N K模型中表达这些现实关系将是研究者下一步必须思考的问题。另外,现有的N K模型把搜寻成本排除在外。有研究表明,如果把搜寻成本纳入考虑范围,那么,主体有可能在到达绩效顶点之前就停止搜寻(Billinger、Stieglitz和Schumacher,2010),因此,有必要改进模型现有的内部特征对仿真结论的干扰。

再者,应更多地结合实证数据来考察模型中简单抽象表征的构念是否能得到实际数据的支撑。Fleming和Sorenson(2001)研究发现运用N K模型得到的一些预测数据与实际数据不符,因此,研究者应该注意仿真研究的结果和外部效度是否能够得到实际数据的支撑。

最后,N KC模型作为N K模型的改进版本,在组织与战略管理研究领域得到了广泛的应用。正如McKelvey[7]所言,N KC模型用一种随机非线性数值仿真模式替代了以往用于研究协同演化的线性确定事件模型以及案例研究方法。另外,N KC模型可以体现企业与企业之间的竞争性相互作用关系,因此把模型所表示的环境变成了更加具体化的产业环境,有望成为一种研究产业理论的新方法。

[1]Davis,J P,Eisenhardt,K M,and Bingham,C B.Developing theory through simulation methods[J].Academy of Management Review,2007,32(2):480-499.

[2]Simon,H.The architecture of complexity[J].American Philosophical Society,1962,106(6):467-482.

[3]Levinthal,D A.Adaptation on rugged landscapes[J].Management Science,1997,43(7):934-950.

[4]Kauffman,S.The origins of order:Self-organization and selection in evolution[M].New York:Oxford University Press,1993.

[5]Wright,S.The roles of mutation,inbreeding,crossbreeding and selection in evolution[R].Proceedings of the Sixth International Congress on Genetics,1932:356-366.

[6]Kauffman,S A.At home in the universe[M].New York:Oxford University Press,1995.

[7]McKelvey,B.Avoiding complexity catastrophe in coevolutionary pockets:Strategies for rugged landscapes[J].Organization Science,1999,10(3):294-321.

[8]罗珉.战略选择论的起源、发展与复杂性范式[J].外国经济与管理,2006,28(1):9-16.

[9]Davis,J P,Eisenhardt,K M,and Bingham,C B.Optimal structure,market dynamism,and strategy of simple rules[J].Administrative Science Quarterly,2009,54(3):413-452.

[10]Chang,M,and Harrington,J Jr.Centralization vs.decentralization in a multi-unit organization:A computational model of a retail chain as a multi-agent adaptive system[J].Management Science,2000,46(11):1 427-1 440.

[11]Rivkin,J W,and Siggelkow,N.Balancing search and stability:Interdependencies among elements of organizational design[J]. Management Science,2003,49(3):290-311.

[12]March,J,and Simon,H.Organizations[M].New York:John Wiley&Sons Inc.,1958.

[13]Gavetti,G,and Levinthal,D.Looking forward and looking backward:Cognitive and experiential search[J].Administrative Science Quarterly,2000,45(1):113-137.

[14]Gavetti,G.Cognition and hierarchy:Rethinking the microfoundations of capabilities’development[J].Organization Science, 2005,16(6):599-617.

[15]Rivkin,J.Imitation of complex strategies[J].Management Science,2000,46(6):824-844.

[16]Ghemawat,P,and Levinthal,D.Choice interactions and business strategy[J].Management Science,2008,54(9):1 638-1 651.

[17]Rivkin,J W,and Siggelkow,N.Patterned interactions in complex systems:Implications for exploration[J].Management Science,2007,53(7):1 068-1 085.

[18]Gavetti,G,and Levinthal,D A.The strategy field from the perspective of management science:Divergent strands and possible integration[J].Management Science,2004,50(10):1 309-1 318.