人力资本和社会资本对学者科研绩效的影响路径——基于模糊集定性比较分析

秦梓韬，马卫华，许 治，赛 夫

（1.华南理工大学工商管理学院，广东广州 510641；2.华南师范大学，广东广州 510631）

1 研究背景

学者以及他们所创造的知识对于推动世界向前发展的重要性是不言而喻的。这些知识的载体很大一部分是学术论文，一位学者发表的学术论文数量越多、质量越高，就会被认为其学术贡献越大。在学者知识创造的过程中，有两方面的因素起到了重要的作用：一方面是学者自身的禀赋，例如拥有的专业知识、经历、眼界等等，这些因素体现了学者的专业水准以及他们对各自研究领域的理解，属于学者的人力资本；另一方面是学者与学者间形成的社会关系，这种关系来源于合作，体现了学者对获取外部资源的欲望和能力。如今，学术研究早已不是“单打独斗”，而是日益紧密的合作。Heck 等［1］指出学术论文的合著率从1969 年的15%显著地增加到1989 年的35%。随着大科学的发展，进行学术合作可以使学者得到诸多好处，包括知识共享、知识转移、研究设备共享，将学者连接到大型科研网络、加快研究的进程以及增加文章发表的可能性等等［2-3］。于是，这种对学术研究起推动作用的社会关系就凝结成了学者的社会资本。

虽然现有研究充分肯定了人力资本和社会资本对学者科研能力的影响，但现实中两类资本的影响并不完全独立，学者的高科研绩效可能不是由某一种因素主导产生，而可能是多种因素的组合作用所致。探讨两类资本之间的协同作用对学者科研绩效的影响更有意义。但现有对学者科研绩效影响因素的研究，多采用回归等定量研究方法，很难处理多变量对回归结果的影响，尽管有学者考察了社会资本各维度间的互动关系［4］，但依然无法跳脱出传统定量研究的范式。其局限性具体体现在回归分析对3个以上的交互变量已经难以解释，而且还假定了变量间相互独立以及因果的对称性［5］。传统定量研究方法有时还会产生相矛盾的研究结论，尽管不同研究的背景条件存在差异，但对各自变量采取孤立和割裂的观点进行分析也是产生矛盾的一个重要原因。

为此，本研究以中国物理和天文学学科高被引学者为样本，利用模糊集定性比较分析（fuzzy-set qualitative comparative analysis，fsQCA）方法，探讨人力资本和社会资本相互作用对学者高科研绩效的联合效应，理解学者实现高科研绩效的推动力量和产生路径；同时兼具定量与定性方法特点的fsQCA采取与回归分析完全不同的思路，将各因素进行组合分析，从而形成组态以解释结果的出现或不出现，很好地弥补了回归分析难以处理多条件并发与因果非线性关系的问题。

2 社会资本与人力资本对学者科研绩效影响的分析框架

2.1 人力资本对科研绩效的影响

人力资本代表着个体的属性和特征，例如吸引力、智力和技能以及通过学习所获得的经验［6］。在学术研究这一背景下，科学人力资本可以定义为研究人员在其职业生涯特定时间内所获得的资源，例如研究人员通过教育和培训获得的隐性知识和显性知识的总和以及个人的学术能力［7-8］。

关于人力资本对科研绩效的影响，已有研究可以大致分为两类，一类是对单一因素进行分析，例如学者的性别、年龄或职称，另一类是将人力资本划分为个体层面和环境层面分别进行分析［9-10］。在个体层面，一些研究注意到学者在国际间的流动可以帮助他们积累人力资本并建立起多元化的学术背景，利大于弊［11-12］；Sugimoto 等［13］更是发现有国际流动背景的学者的学术论文引用率比没有国际流动背景的学者的学术论文引用率高40%；但Gibson等［14］却发现相比于没有海外经历的学者，那些拥有海外经历的学者的科研影响力并没有更高。在环境层面，也出现了矛盾的结果，早期研究发现学者任职机构的层级和声望会影响科研产出，转去更有声望的机构任职也会显著地影响科研绩效［15-18］；但而后的研究却发现学者任职单位的声望和类型对学者科研绩效的影响不显著［10，19］，或仅仅部分显著［20］。基于上述出现的矛盾情况，本研究将学者海外经历情况和学者所在单位实力纳入条件变量。

2.2 社会资本对科研绩效的影响

社会资本最初被定义为除了人力资本、物质资本和经济资本以外的一种潜在资源［21］。Tsai 等［22］将社会资本定义为嵌入到关系中的社会资源的集合并提出了构成社会资本的3 个维度，即关系维度、结构维度和认识维度。同样，在学术研究的背景下，上述3 个维度也有特定的内涵：关系维度与团队成员之间建立联系的性质有关，并具有特定程度的信任和可靠性［23］，当成员们彼此信任时，他们会更加乐于合作和共享资源［4］；结构维度与团队成员之间所形成的网络属性有关，而网络的属性代表着获得知识和信息的宝贵来源［24］；认识资本与个体在实践中或与他人交流中所积累的知识或经验有关，这些积累越丰富，则个体可以更好地了解自己的专业知识［4］。

2.2.1 关系维度对科研绩效的影响

基于社会交换理论，当人们从某一行为中获得合理收益时，他们会倾向于重复该行为［25］。重复行为的发生为信任关系奠定了基础。对于学者来说，当他们彼此信任时，资源的整合和交换也就发生了［26］，有意义的交流也从此开始，这可以提升他们个人的绩效［27］。此外，信任关系的存在可以让学者间的合作意愿加深，使他们不必担心被利用。因此在这种情况下，评估两个学者间是否存在信任关系很重要［4］。本研究认为，当某学者与另外一位学者存在重复合作关系时，他们就存在信任关系，且存在的重复合作关系越多，信任关系就越多，故将重复合作情况纳入条件变量。

在经济学中，企业的强强联合是指具有一定竞争优势和规模的两个企业通过兼并或收购的方式主动地使双方形成企业联盟的现象［28］。徐二明等［29］发现企业的资源互补能显著提高企业财务绩效。而在科研团队层面，喻登科等［30］认为强强联合是一种在特定知识领域具有丰富知识量的学者进行学术合作的现象，并且认为强强联合只是过程和手段，优势资源互补才是真实目的。Oliver［31］研究发现企业联盟在进行资源的整合后创造的共同价值大于单一企业资源创造的价值之和。扩展到高水平学者上，本研究认为他们的优势资源比较多，会向同水平的学者寻求资源互补以提升科研绩效，所以将强强合作情况纳入条件变量中。

2.2.2 结构维度对科研绩效的影响

在社会网络中，中心性代表着与他人相连的网络中个体的正式权利或地位，是一种重要的结构属性［32］。如果某个个体处于社会网络的中心位置，则他与其他个体就会有很多的连接并且在社会网络的总体结构中占据战略重要位置［33］。Freeman［34］将中心性分为3 种，即度中心性、接近中心性和中介中心性。度中心性就是与自身直接相连的节点的数量，度中心性越高，表明合作者越多，可以获取的外部资源也越多［34］，反映了学者在社会网络中的活跃程度以及受欢迎程度［35］；如果一位学者与越多的人直接合作，他就越可能获得更多的信息和资源，从而实现越高的科研绩效。接近中心性是指在给定的所有节点对中，某节点穿过这些节点对最短路径的次数［36］，它表明一个节点在多大程度上占据社会网络中的中心位置，成为其他节点之间的“桥梁”［34］。中介中心性则反映了学者在社会网络中对资源流的控制能力［35］，如果一位学者处于社会网络的中心位置，他就能对各种异质性的信息和资源起到强大的控制和整合作用，从而实现较高的科研绩效。已有研究利用度中心性和中介中心性等指标揭示了学者在社会网络中的位置对他们绩效的影响［37］。Abbasi 等［35］发现学者的度中心性与中介中心性与他们的科研绩效正相关。因此，本研究将度中心性和中介中心性纳入条件变量。

2.2.3 认识维度对科研绩效的影响

Brim 等［38］认为社会化是指人们获得知识、技能和性格的过程，该过程使人们或多或少地成为社会的一员。对于学者来说，他们同样需要经历社会化的过程积累专业知识，获得专业技能以成为学术圈的一员。一位资历更深的学者对其自身的专业有着更好的理解，也能更好地去运用这些知识从而获得更多的认识资本［39］。一些研究表明，经验与个人学习表现也有着密切的联系［40-41］。Lee 等［42］认为，学者的学术年龄可能会影响其科研产出，因为年长的学者有更多的时间发展科技人力资本以及构建专业网络。因此，本研究将学术年龄纳入条件变量。

2.3 人力资本与社会资本的协同效应

人力资本与社会资本同属于智力资本的两个方面，它们有着千丝万缕的联系。在解释人力资本对社会资本的影响时，首先，人力资本可以被智力资本的其他维度所利用以创造新知识［43］。具体来说，人力资本为组织提供了多样化的想法和思维平台，社会资本则鼓励组织内部和组织间的协作［44］，使得人力资本可以被充分发挥利用。其次，对企业的相关研究表明，人力资本禀赋较高的企业家由于拥有卓越的知识基础、技能和经验，他们在建立网络联系方面更有吸引力以及在提供所需资源方面更有效率，从而促进了网络的发展，进而解释了社会资本获得的途径［45-46］。

在解释社会资本对人力资本的影响时，现有研究主要持两种观点，一种是人力资本与社会资本是相互替代的，另一种是人力资本与社会资本是互补的。尽管后者得到了相当多的支持，但Semrau 等［47］认为人力资本与社会资本既不是完全替代也不是完全互补的。进一步地，Crane 等［48］将社会资本对人力资本的影响类型分为了4 种，分别是补偿性、增强性、乘数性和抑制性。他们认为，首先，当社会资本大量流入且自身人力资本禀赋较低时，体现为补偿性，由于人力资本与社会资本是可适当转化的［21］，人力资本禀赋较低的个人可以通过接收外部的社会资本来弥补自身知识与技能的不足；第二，当社会资本的流入与高价值的人力资本相结合时，其人力资本价值可被进一步提高，体现为增强性，具有高价值人力资本的个人更容易获取广泛的信息资源以及提高信息的质量、相关性和及时性，这样就可以减少收集信息所需的时间和投资，从而使个人通过与合作伙伴的日常互动增加他们的知识，在这样一种过程中，知识与技能也会变得更有价值和更为独特［49］；第三，当社会资本大量外流且自身人力资本价值很高时，组合产出大于部分产出之和，体现为乘数性，在这种情况下，拥有宝贵人力资本的个人可以将他们独特的知识通过社会资本流动形成的通道传递到其他个人中，而这些个人又会适当与他人共享所获得的知识，所以人力资本的影响力将会在网络中成倍的增加；第四，当社会资本的外流与低价值的人力资本相结合时，社会资本会削弱人力资本的价值，体现为抑制性，人力资本价值较低的个人本身就需要通过社会资本的流入来弥补不足，此时社会资本外流使得个人需要花费更多时间成本进行沟通协调以及应对官僚作风而无暇消化社会资本的流入，所以会无法提高甚至降低自身的人力资本价值。本研究认为，学术的合作网络构建是相对主动的、自发的，社会资本能够外流的学者其自身的人力资本价值会比较高，因此学术合作背景下社会资本对人力资本的影响主要体现为补偿性、增强性和乘数性。

总的来说，人力资本与社会资本是相互影响、紧密联系的。Lynn［50］作了一个形象的比喻，他把人力资本比作负责吸收营养的树根，把社会资本比作传递环境要素的树叶。这种关系在学术研究背景下体现为：学者们拥有不同的思想和资源，他们会倾向于通过构建合作关系将这些思想和资源汇集起来达成更大程度的创新与产生更多的新知识，而这种合作关系又使得学者们可以更加便利地获得对方有价值的异质性知识与技能以增强优势或弥补不足。这也为本文将人力资本和社会资本进行联并分析提供了合理性。综上所述，本文的研究框架如图1 所示。

图1 本研究框架

3 研究设计

3.1 结果变量的测量

本研究的结果变量为学者科研绩效，本研究采用h 指数来衡量。h 指数是由Hirsch［51］于2005 年提出来的一种衡量学者科研产出的指标，某学者的h 指数是指他发表的N篇文章中有h篇至少被引用了h次。h 指数将数量（发表文章数）和质量（被引次数）结合起来，成为了一种比较公平的指标，可以作为评估学者科研绩效的替代指标［52］。

3.2 条件变量的测量

（1）学者的关系资本。为了衡量学者学术论文的重复合作情况，本研究将高水平学者与其他学者合作次数由高到低排列，然后将大于等于2 的合作次数加总。衡量学者强强合作情况时，如果某高水平学者与另一高水平学者存在合作关系，就认为该学者有强强合作，记为1；反之则没有，记为0。

（2）学者的结构资本。本研究先将学者的合作信息处理为来源节点、目标节点和权重的列表。其中，来源节点和目标节点表示学者间的合作关系，权重则表示合作强度。然后将列表导入社会网络分析软件Gephi 中，构建无向的合作网络并计算得到度中心性和中介中心性。

（3）学者的认识资本。本研究将学者的学术年龄定义为该学者从获得博士学位至数据收集期末（2014 年）的时间间隔。

（4）学者的人力资本。本研究认为学者想要获得有用的海外异质性资源，必须在海外进行一定年限的学习，故将留学经历以及在海外的博士后经历归为有海外经历，记为1；而访学的持续时间一般比较短，因此，将只有访学经历或留学、访学经历皆无归为无海外经历，记为0。

（5）学者所在单位实力。本研究通过学者所在单位的综合得分衡量。

3.3 数据

由于高水平学者的人力资本和社会资本的积累比普通学者更深厚，所以更适合于本研究。目前对高水平学者的界定还没有统一的标准，根据Scott［53］的阐述，本研究将高水平学者定义为具有较强影响力、专业知识扎实并且能引领其所在学科领域知识发展方向的学者。因此，本研究采用爱思唯尔发布的2018 年中国高被引学者榜单确定高水平学者。该榜单按照学科进行了分类，并给出了学者的姓名和任职单位。其中，物理和天文学分类下包含96 名学者，数据量适中；又由于该学科的性质决定了该学科的合作比较多，适合做社会网络分析，故本研究选取该学科的学者作为样本。在进行筛选后，剔除了未获得博士学位的学者1 名、无法确定任职单位得分学者2名、无法确定博士学位获得年份学者2名，最后剩余91 名高水平学者作为样本。

在确定高水平学者的学术论文时，本研究使用了Incite 数据库。Incite 数据库是由汤森路透科技集团基于Web of Science 引文数据建立的科研绩效分析平台，通过这一数据库不仅可以方便地识别特定的研究人员，还可以追踪和展示其全方位的科研情况。基于此，本研究利用Incite 数据库检索并下载每个学者2010 至2014 年在Q1 区期刊发表的全部学术论文。学者的博士学位获得年份和海外经历情况可以通过查询他们任职单位的官方网站提供的履历得到。而学者所在单位得分是按照中国校友会和武书连各自发布的2011 至2015 年中国大学排行榜计算平均值得到的。

3.4 方法

定性比较分析（QCA）是在1987 年被提出并由此发展起来的［54］，它基于整体的视角进行案例层面的分析比较，旨在找出条件组态与结果间的关系［5］。传统的回归分析方法对变量进行孤立的分析，单独考察每个变量的净效应而没有将各变量视为一个整体进行分析。在现实的社会现象中，各原因变量往往是相互依赖、相互“纠缠”的，这就导致了复杂的因果关系，所以，利用QCA 方法分析组态与结果之间的关系更贴合实际；此外，QCA 方法兼具定性分析与定量分析的特点，使得它适合于中小规模样本的研究。综上，本研究采用模糊集定性比较分析方法（fsQCA），原因有如下两点：（1）fsQCA不仅可以处理类别变量，也可以处理连续变量，适合于本研究变量的处理；（2）fsQCA 的校准过程将原始数据转化为0 到1 之间的隶属得分值，使得案例间不仅可以比较类别差异，也可以比较程度差异。

4 数据分析

4.1 数据校准

校准过程使得测量可以被解释和具有意义［55］190-212。未校准的数据仅能表明案例之间相对位置，就本文来说，通过未校准的h 指数，只能知道学者间相对的科研绩效位置，即A 学者科研绩效大于B 学者，但它并不能告诉我们A、B 是高科研绩效的学者还是低科研绩效的学者，所以，校准过程是必要的。本研究采用直接校准法将数据转化为模糊集隶属分数，该过程需要设定相应的3 个锚点，分别是完全隶属、中间点和完全不隶属，校准后的集合隶属分数介于0～1 之间。参考Coduras 等［56］的研究，将条件变量和结果变量的3 个锚点分别设定为样本数据的上下四分位数和中位数。校准结果如表1 所示。

表1 样本人力资本、社会资本及科研绩效各变量的校准

表1 （续）

4.2 单个条件必要性分析

进行单个条件必要性分析是为了检验某条件变量是否构成结果变量的必要条件。当结果发生时，某个条件总是存在，那么该条件就是结果的必要条件［55］190-212。是否为必要条件使用一致性分值判定，一般认为某条件变量的一致性分值大于0.9 时，该条件变量为必要条件。表2 为学者实现高科研绩效的必要条件判定结果。从表2 可知，没有任何一个条件变量的一致性分值大于0.9，因此条件变量中不存在必要条件，故而将它们纳入组态分析。

表2 样本高科研绩效的必要条件分析

4.3 组态分析

组态分析与必要性分析不同，组态分析是揭示多个条件变量构成的组态引发结果出现的充分性分析。进行组态分析首先要构建真值表，根据Ragin［55］190-212的建议，本研究将判定充分性的一致性阈值设定为0.75，案例频数阈值设定为1。对真值表进行分析后可以得到3 种解，分别是复杂解、简约解和中间解。这3 种解的复杂程度不同：复杂解将所有的反事实组合排除，只分析有实际观察案例的组态，故而得到的构型比较多，普适性较差；简约解纳入了所有的逻辑余项，得到的构型较少并且可能与现实情况不符；中间解既兼顾了理论也兼顾了实际情况，具有较好的普适性，得到了多数学者的采用［57］。因此，本研究重点分析中间解。在组态的表达方式上，遵循Ragin［55］190-212的研究，采用实心圆表示条件变量存在，含叉圆表示条件变量缺席；大圆为核心条件，小圆为边缘条件；留空则为条件可有可无。其中，同时存在于简约解和中间解的条件为核心条件，只存在于中间解的条件为边缘条件。表3 展示了学者实现高科研绩效的组态。从表3 可知，形成的6 条路径整体覆盖度为0.684，表明这些组态一共解释了约68.4%的高科研绩效原因；整体一致性为0.944，说明组态对结果变量的说服力较强。

表3 样本实现高科研绩效的组态

组态1 为“重复合作情况×度中心性×中介中心性×学术年龄”，不存在核心条件，重复合作次数、度中心性、中介中心性和学术年龄都只是发挥了辅助性作用。这类学者并没有很强的前因条件使其实现高科研绩效，主要是通过广泛的重复合作建立稳定的合作关系以实现较高的中心度，再辅之以较长的学术年龄来达到高科研绩效，因此归结为全面型学者。该组态的原生覆盖度在6 种组态中是最高的，说明全面型学者占的比例最多。但在对比案例后发现，他们绝大部分没有达到顶尖水平，即超高的h 指数。可能的解释是该类型学者不像其他类型学者一样有核心条件，没有一种或多种条件变量特别突出，故而无法突破顶尖的门槛。

组态2 为“重复合作情况×度中心性×中介中心性×～单位得分情况×海外经历情况”，其中，符号“～”代表不存在或不隶属某条件。重复合作次数、度中心性和海外经历情况为核心条件，中介中心性和所在单位得分的缺席为辅助条件。这类学者实现高科研绩效的关键是拥有海外经历且建立起了广泛且稳定的合作网络，而强强合作和较长的学术年龄则可有可无，因此归结为广泛合作型学者。典型案例为邱建荣教授，尽管没有进行强强合作，但凭借超高的重复合作次数（561 次）以及博士期间的海外经历背景实现了高科研绩效（h 指数为33）。

组态3 为“强强合作情况×度中心性×中介中心性×学术年龄×～单位得分情况×～海外经历情况”，中介中心性、学术年龄和海外经历情况的缺席为核心条件，强强合作情况、度中心性和所在单位得分的缺席为辅助条件。这类学者的特征比较明显，他们拥有比较长的学术年龄，一直在国内建立合作关系且拥有较高的中介中心性，通常具有比较高的学术声望且充当“桥梁”的角色，因此归结为中介主导型学者。典型案例为杨金龙院士（h指数为49），1991 年博士毕业后一直在中国科学技术大学留校任教，积累了广泛的合作关系，其归一化中介中心性为0.05，明显地展现了“桥梁”作用。

组态4a“重复合作情况×强强合作情况×度中心性×中介中心性×单位得分情况”、4b“重复合作情况×强强合作情况×～度中心性×～中介中心性×学术年龄*单位得分情况×～海外经历情况”和4c“重复合作情况×强强合作情况×～度中心性×～中介中心性×～学术年龄×单位得分情况×海外经历情况”具有相同的核心条件，为重复合作次数、强强合作情况，但他们具有不同的辅助条件。在组态4a 中，度中心性、中介中心性和所在单位得分为辅助条件；在组态4b 中，度中心性的缺席、中介中心性的缺席和海外经历情况的缺席以及学术年龄、所在单位得分为辅助条件；在组态4c中，度中心性的缺席、中介中心性的缺席和学术年龄的缺席以及所在单位得分、海外经历情况为辅助条件。以上3 种组态可以归结为同一种类型，这类学者实现高科研绩效的核心条件就是建立广泛且稳定的合作网络以及进行强强合作，因此归结为精准合作型学者。其中，组态4a 的典型案例为何赛灵教授（h 指数为45），其重复合作次数为451 次，强强合作次数也高达27 次；组态4c 的典型案例为戴道锌教授（h 指数为29），尽管学术年龄比较短，但他凭借较高的重复合作次数（117 次）和超高的强强合作次数（26 次）实现了高科研绩效。

5 结论与讨论

5.1 研究结论

本研究以人力资本和社会资本的7 个维度为对象进行联并分析，利用模糊集定性比较分析方法对学者实现高科研绩效的路径进行了探索，主要结论如下：

（1）从条件变量来看，研究结果表明：第一，学者的高科研绩效并不是由单一因素主导，而是由多种因素协同作用产生，而且也没有哪一种因素可以成为实现高科研绩效的充分条件；第二，尽管在不同的路径中核心条件和辅助条件各不相同，但这些路径都能实现高科研绩效，这也映证了QCA 中的“殊途同归”；第三，人力资本中的所在单位实力在所有构型中均只起辅助作用或可有可无，当学者在自身实力或者合作情况方面有优势时，学者所依赖的外部环境并不能束缚其实现高科研绩效，可以说，所在单位实力这一因素只能“锦上添花”而不能“雪中送炭”。

（2）基于对中国物理和天文学学科高被引学者为样本的研究表明，按照组态特征，将高被引学者分为了4 类，分别具有如下特征：

第一，全面型的学者数量最多。他们有两个特点：一是实现高科研绩效的组态里缺乏核心条件；二是尽管实现了高科研绩效，但绝大多数学者没有达到顶尖水平，即超高的h 指数。无法达到顶尖水平的原因可能正是由于核心条件的缺乏，从而使这类学者无法找到突破点突破门槛。

第二，广泛合作型学者会积极寻求合作并与他人建立信任关系，并且他们的海外经历使他们扩大合作范围和建立信任关系提供了帮助。这些核心条件可以弥补他们任职单位的实力不足，使他们依然能够实现高科研绩效。

第三，中介主导型学者往往是资历较深且具有一定威望的本土学者，他们在同一个单位经历了长时间的学习和工作，积累了大量的人脉，成为了团队与团队之间的“桥梁”，同样也可以弥补任职单位的实力不足从而实现高科研绩效。

第四，精准合作型学者往往会有比较固定的同水平合作对象并与他们进行深度合作，在这个过程中，信任关系和强强合作意愿都是相互促进的。这种突出的结构资本使他们可以弥补较低的中心性、学术年龄的不足和海外经历的缺乏从而实现高科研绩效。

5.2 政策建议

基于上述不同类型学者的特点分析，本研究对高校和科研院所以及学者个人的发展提出了以下建议：

（1）从增强科研实力和推动社会进步的角度来看，高校和科研院所应该更多地鼓励学者采取广泛合作和精准合作。首先，中国的科研实力与发达经济体相比仍存在较大的差距，广泛合作型学者积累的跨国资本可以有效地缩小这一差距。他们从海外得到的先进科研方法、理念、形成的国际化视野以及构建的学术合作网络能够深刻地影响本土学术圈的科研状态，形成鲶鱼效应。这种效应在非“双一流”建设高校中更为突出。由于准入门槛的提高，越来越多有海外经历的青年学者进入这类高校就职，他们相比于单位内的本土学者更善于把握最新的科研动态，也更适应国际化的学术交流，从而营造出竞争的氛围鞭策本土学者的进步，进而能够提升单位的整体实力。第二，要实现“一加一大于二”的效果，强强合作是一条捷径。在进行更深入的案例对比后发现，精准合作型学者通常是具有相当规模的学术团队的带头人，并且强强合作大部分发生在同一单位间。一方面，带头人与带头人之间的合作同时构成了团队与团队之间的合作，构成的是多点与多点所连接的网络，更容易产出优质的科研成果；另一方面，在同单位间进行合作所需要的时间成本较低，协调沟通也更为便捷有效。这种合作会随着频次的增加形成非常稳固的关系，从而在单位中建立起良好的学术生态系统。

（2）高校和科研院所也应该积极引导上述两类学者，使他们充分发挥自身优势。对于广泛合作型学者，他们可能会面临与本土学术圈“水土不服”的问题，例如，他们的思维方式与学术风格与本土学者存在差异，与他们进行广泛合作的人更多的是在海外学习期间建立起关系的学者，这些问题会使他们与本土学者形成学术上的分层与联系上的割裂；此外，随着时间的增长，这些学者在海外的学术合作关系会越来越难以维系。针对这种情况，单位可以制定相应的帮扶措施来引导他们与中介主导型学者合作。一方面，由于中介主导型学者从始至终都是在本土接受培养并参加工作的，他们深谙本土的学术环境与制度，另一方面，中介主导型学者拥有丰富的本土学术人脉与资源，这些优势可以很好地帮助广泛合作型学者理解、适应本土的学术生态以及构建本土的学术网络。对于精准合作型学者，他们可能存在的问题则是过于依赖同单位内的合作关系而造成信息闭塞。尽管与不同单位的学者合作成本更高，但如果对方拥有互补性的资源或者独特的专业见解，那么合作的收益会大于成本，所以高校和科研院所在构建自身内部的学术生态时，也要积极为连接外部学术生态提供便利条件，更多地创造不同单位间学术交流的机会，从而增加不同单位间学者强强合作的可能。

（3）全面型学者和中介主导型学者想要在学术上更上一层楼，不仅需要单位的帮助也需要寻求自身的突破。对于人数占比最多的全面型学者，他们最大的不足在于其身处合作网络的边缘位置，没有形成团队，从而其社会资本没有突出的方面。这类学者除了运用好单位提供的学术交流平台，自身也要明确研究方向，积极寻找突破口，在兼顾社会资本和人力资本平衡发展的基础上积极寻找突破点，例如建立更多的信任关系、增加合作的强度、积极与异质性团队建立联系等等。而对于中介主导型学者，本土的学术成长环境与深厚的资历带来的负面影响是缺乏国际化的视野以及一定程度上学术思维的僵化。一方面，他们的精力已不如年轻学者，另一方面，这些负面影响可能会导致他们与年轻学者合作的意愿降低，因此单位可以出台一些激励政策来加强他们的合作意愿。同时，中介主导型学者也应该转变固有的思维模式，走出合作的舒适圈，积极地与年轻学者进行交流讨论，使自己作为“桥梁”的作用得以充分发挥，以及令自己对学科深刻的理解和积累的经验与年轻的“血液”相结合。

5.3 研究局限与展望

本研究还存在以下局限有待未来研究的完善：首先，由于QCA 方法的条件变量不宜过多，无法将人力资本与社会资本所有维度纳入分析；其次，假定高被引学者有更好的科研绩效，所以选取的样本均为高被引学者而未考量普通学者，具有一定的主观性；此外，所有学者均选自物理与天文学学科，没有对比其他学科领域学者实现高科研绩效的路径是否存在差异。以上不足说明进一步研究需要考虑是否有更适合的条件变量以及是否存在更具有代表性的样本，同时也要考虑可推广性问题，以得到更为精准的结论。