基于结构复杂性的科研团队类型划分及特征分析——以电动汽车领域为例

邢晓昭 吕红能

（1.中国科学技术信息研究所，北京 100038；2.重庆大学，重庆 400044）

0 引言

建立科研团队既顺应大科学时代学科交叉融合、学术交流频繁的时代趋势，又符合科研工作需要知识共享和优势互补的自身规律，因此科研团队在管理学界受到普遍重视。科研团队的组织是我国科研工作中的基础，也是科研工作的薄弱环节。相较于发达国家，国内科研团队缺乏良好的组织模式，创新效率和自主运营能力有待提高。然而，要对科研团队进行正确引导和科学培育，则需要尊重其自身发展规律。科研团队作为一个复杂系统，具有自组织性，因此在其自组织演化过程中必然伴随复杂性的增长，而这种复杂性可以从多个维度进行刻画。其中，组织结构反映了团队的运作方式，影响团队的执行效率，对团队发展起着关键作用。然而，组织结构虽具有不显著性和不确定性，但却隐含在成员之间相互合作的社交网络中。本文拟以我国电动汽车领域科研团队为例，通过对网络结构的挖掘识别团队组织结构的复杂性，进而探讨科研团队的复杂性增长与其他特征变化之间的关联性。

1 相关研究

陈春花等[1]首先在国内提出将团队运作模式引入到科研组织管理中，基于Katzenbach和Smith对“团队”的定义，指出科研团队的基本特征是以科学技术研究开发为内容、成员间技能互补、责任互担，且具有共同科研目的。刘惠琴等[2]将研究型大学的科研团队分为师生团队、学科团队和项目团队3 种类型，并分别剖析了这3种科研团队的创新模式。随着团队形式在科研组织中的普遍运用，有学者开始关注如何去发现这些团队，以便进行更为科学规范的管理。科研团队识别方法经历了从传统识别方法向社会网络分析方法发展的过程。传统方法主要综合多方面显性数据，包括问卷调查、实地访谈等方法[3-4]。受地理、领域、机构等多方面物理条件限制，传统方法具有局部性和静态性，并且是针对已有的科研团队展开，不具有前瞻性和预测性。随着互联网和信息技术的渗透蔓延，人类社会真实的人际关系被计算机所记录，并借助Internet的特性衍生出新的社会秩序和关系。科研团队的合作创新行为也被完美地映射到网络空间，产生了大量丰富而具有活力的社会网络数据，如合作网络、引文网络等。基于大数据的社会网络分析方法成为研究的热点：Awal等[5]提出集体智力指数（CII），用于从一个具有合作基础的专家社会网络中发现专家并组建团队，以完成特定任务。CII的计算考虑专家的知识能力和合作能力两方面因素，通过遗传算法实现计算结果的最优化。Wan Wencong[6]基于带时间戳的合作者网络提出一种动态学术团队发现算法。李纲等[7]提出一种科研团队发现方法：首先对合著网络进行中心性分析识别团队领导人，然后基于派系分析识别团队核心成员，最后通过滚雪球方法识别团队非核心成员。此后，又在团队发现基础上结合论文引用关系构建科研团队引证网络，提出基于蝴蝶结模型和网络位置理论划分科研团队角色的方法[8]。于永胜等[9]在李纲的科研团队发现算法上进行改进，采用基于迭代的中间中心度排名法识别科研团队领导人。

上述研究在科研团队识别的方法、实证、分析对象和应用目标方面进行了尝试，并取得很好效果，为后来学者的研究奠定了理论基础。但仍存在需要进一步深入探讨的问题：一是现有研究，尤其是国内研究中的识别方法主要基于浅层次的社会网络分析方法，如中心度或凝聚子群分析等。社团发现算法可以被更好地运用于科研团队识别。二是对科研团队的识别以成员发现为主，缺乏更为深入的剖析，如成员角色辨识、团队结构分析和团队类型划分等。三是现有研究的合作网络主要从论文的作者数据中提取，可以选用更为丰富的技术资料进行科研团队识别，如专利文献等。本文对电动汽车领域的科研团队进行识别，基于科研团队结构复杂性划分团队类型，并对不同类型团队特征进行分析，以期为探析团队演化规律、为遴选优秀团队提供借鉴。

2 基于结构复杂性的科研团队分类方法

科研团队是由于科学家的自由探索与自发合作而形成的，其演化满足自组织过程，即在一个内部机制的驱动下，经历了由无序向有序、由低级向高级，不断提高自身复杂性和成员分工精细度的发展过程。随着团队的形成与不断发展，研究者从相互独立、地位平等、随机合作的个体逐渐变为角色固定、目标一致、紧密配合的成员。而团队由平等、多元、自由沟通的松散群体向稳定、高产、分工精细的组织方向发展。只有科研团队通过自组织的方式演化，系统才能形成原来没有的特性、功能和结构，这就意味着复杂性的增长。因此度量组织结构的复杂性有助于评价一支科研团队的发展状态。团队的组织结构下沉到每个个体则表现为成员角色分工。分工的不同决定其在每次创新活动中的合作对象和发挥作用的不同，进而表现为网络位置的差异性。

鉴于此，本文提出的基于结构复杂性的科研团队分类方法：一是通过有向合作网络中节点的出度和入度对成员角色进行识别。共设置6 种成员角色，其中领导者、中介者和技术骨干3 种角色为核心成员，而主要参与人、一般参与人和外围成员为非核心成员，识别标准如表1 所示。二是通过考察科研团队中包含的核心成员角色种类来划分团队类型。按照团队结构复杂性递增的顺序，将一般团队划分为均衡型、扁平型、标准型和深度分化4 类，其中结构复杂性为1 和2 的团队中各有一种特殊情况，将其单列为边缘型和临时型团队，共得到6 种类型科研团队，其判别标准如表2 所示。

3 科研团队识别及各类团队特征分析

本研究基于专利发明人合作网络对我国电动汽车领域科研团队进行识别，包括基于无向合作网络识别团队成员和基于有向合作网络识别团队结构，进而根据科研团队的结构复杂性划分团队类型，并对各类型团队的特征进行分析。详细实验步骤如表3 所示。研究数据来源于中国科学技术信息研究所“电动汽车专题数据库”，社会网络分析过程主要基于Python语言中的NetworkX软件包进行。

3.1 电动汽车领域科研团队总体情况

3.1.1 全局合作网络的基本指标

所有发明人的全局合作网络如图1 所示。节点大小代表发明人参与的专利数量，图1 中标出了排名前30 位（参与发明数量大于或等于29）的发明人姓名。该网络中共有10 227 个节点，23 692 条边，其中孤立节点占节点总数的13%，除孤立节点外联通子图1 535 个，平均规模5.77，最大联通子图规模为225。全局网络的节点平均度为4.63，平均聚集系数0.718，网络密度0.000 453（表4）。由此可以看出，节点的平均度和平均聚集系数都较高，说明国内电动汽车领域整体合作程度较高，该领域已经具有较为稳定的合作体系，发展开始趋于成熟。但是，最大联通子图中只包含1 位排名前30 的发明人，而规模较大的5 个联通子图中包含15 位排名前30 的发明人。这说明技术实力分布较为分散，缺少领域内核心和权威的专家，但可能存在竞争力较强的合作团队。从表5 可以看到，申请人内部网络的节点平均度为3.18，低于全局网络，可能是由于同一发明人在不同机构的发明被分开计数所导致；平均聚集系数为0.70，也略低于全局网络，可能是由于一些跨机构的合作未被考虑导致；平均网络密度为0.90，表示机构内部的合作程度很高，以申请人为基本单位形成科研团队的可能性较大。

表1 团队成员角色特点及识别标准

表2 团队类型划分标准

表3 研究步骤

3.1.2 科研团队分布规律

从国内电动汽车领域1 523 个专利申请人合作网络中识别得到2 201 支团队。其中，高校团队有315 支（占14%），科研院所团队有52支（占3%），企业及个人团队有1 834 支（占83%），企业在技术创新中的主导地位十分明显。只拥有1 支团队的申请人有1 248 个（占83%）；拥有2 ～4 支团队的申请人有238 个（占16%）；拥有5 支团队以上的申请人有30 个（占2%）。将团队数量和包含相应团队数量的申请人数做成散点图并进行拟合（图2），结果显示申请人的数量符合幂律分布。大量的申请人只包含1 个团队，而只有极少数的申请人包含较多的团队，申请人的科研实力分布呈现较大的不均匀性。

表4 全局合作网络的基本信息

表5 申请人合作网络的基本信息

图1 电动汽车领域专利发明人全局合作网络图

计算判定科研团队的规模、专利产出数量以及年龄等基本指标。当专利的发明人集合中包含至少两位团队成员，并且专利的申请人集合包含团队所属机构时，判定该项专利是该支团队产出的，因此一项专利有可能属于多个团队。团队年龄为团队成立到数据采集的时间跨度。本文默认团队在开始申请专利1年之前已经成立。基本指标的统计摘要如表6 所示。

3.2 不同类型团队特征分析

科研团队的结构复杂性从一定程度上反映了其自组织演化进程。自组织理论认为，一个远离平衡态的开放系统，通过不断地与外界交换物质、能量和信息，在外界条件变化达到一定阈值时，系统能从原有的混沌无序的状态转变为一种结构功能上新的有序状态。因此，提出本研究假设1：结构复杂性的增长会伴随有序性的增长，并且提出假设2：随着结构复杂性的增长，自组织程度加深，团队成员与外界交流的需求提高。普赖斯曾提出科学合作表现出“归核化”与“结晶化”的演进趋势，这一观点与本文中科研团队结构复杂性增长的演化观点相一致，有研究认为科学研究的“归核化”与“结晶化”就是有序化，而有序化意味着科研团队的结构合理化[10]。结构合理化会带来科研效率的提高，因此提出本研究假设3：结构复杂性高的团队产出量大。下面从团队有序程度、团队合作特征和团队产出能力对不同类型团队特征进行比较分析。

3.2.1 团队有序程度

当把系统描述成网络拓扑时，系统的有序程度可以通过网络结构熵进行度量[11]。本文基于网络节点的度来定义其重要性程度，如式（1），进而基于网络节点的重要性程度定义网络结构熵，如式（2）。

图2 包含不同团队数的申请人数量分布

当网络节点边连接完全均匀，网络结构熵最大，Hmax=lnn，当网络中所有节点都与某一个中枢节点相连时，网络最不均匀，网络结构熵最小，Hmin=ln 4(n-1)。由此可以看出，网络结构熵与网络规模n成正比。为排除网络规模对网络有序程度造成的影响，采用线性变化法对网络结构熵进行标准化处理，如式（3），使得不同科研团队的有序程度具有可比性。由于团队类型包含3 个及以上取值，同时网络结构熵总体数据不满足正态分布，本文采用非参数检验中的Kruskal-Wallis检验来比较不同类型科研团队之间的有序程度差异。由于均衡型团队数量过少，在本次实验中排除该类型团队，从其余5 类团队中每类随机抽取29 支作为样本，基于SPSS软件进行非参数检验。

表6 科研团队基本指标

由图3 可知，深度分化团队的网络结构熵平均秩低于标准型团队，低于扁平型团队，低于边缘型团队，低于临时型团队。有序程度的排序为：深度分化团队＞标准型团队＞扁平型团队＞边缘型团队＞临时型团队。该结果与上文团队演化自组织过程的推论一致，假设1 成立。非参数检验的两两比较结果（表8）显示，标准型团队的网络结构熵与临时型、边缘型和扁平型团队都具有明显差异。深度分化团队亦是如此。但是，标准型团队与深度分化团队之间的差异不显著，临时型、边缘型和扁平型团队之间的差异也不明显。五类团队被分为两个类团，其中标准型团队和深度分化团队有序程度高，而临时型、边缘型和扁平型团队的有序程度低（图4）。

3.2.2 团队合作特征

科研团队的合作特征通过两个指标来考察：一是团队成员的忠诚度（L），即团队专利产出与团队成员参与所有专利数目的比值，见式（4）；二是团队成员之间的沟通程度，这个指标通过团队成员的度中心度平均值来表示。其抽样和检验方法与上文相同。

图3 不同类型团队网络结构熵分布箱线图

表8 网络结构熵秩的成对比较结果

图4 网络结构熵两两比较示意图

如图5、图6 所示，随着团队组织复杂性程度的提高，团队成员的忠诚度和沟通程度会降低。从另一角度也可以说，成员与外部的合作增加，拓展了整个团队的物质、能量及信息交换，假设2 成立。成员忠诚度的成对比较结果显示（表9 和图7），深度分化团队的忠诚度与除标准型团队外的其他类型团队的忠诚度都具有显著差异，且明显低于其他类型团队；临时型团队的忠诚度与除扁平型团队外的其他类型团队的忠诚度都具有显著差异，且明显高于其他类型团队。扁平型团队、标准型团队和边缘型团队之间不具有显著差异，边缘型团队的成员忠诚度平均秩介于扁平型团队和标准型团队之间。

成员沟通度的两两比较结果与网络结构熵十分相似，也划分为两个类团，类团之间的团队类型具有显著差异，而类团之内的团队类型差异不显著。其中，标准型团队和深度分化团队的成员沟通度较低，而临时型、边缘型和扁平型团队的成员沟通度较高。

图5 不同类型团队成员忠诚度分布箱线图

图6 不同类型团队沟通程度分布箱线图

表9 成员忠诚度和沟通度秩的成对比较结果

图7 成员忠诚度两两比较示意图

3.2.3 团队产出能力

本研究通过科研团队每年申请的专利数量来衡量其产出能力。如图8 所示，深度分化团队的产出能力最强，往后依次为标准型团队、扁平型团队、临时型团队和边缘型团队，假设3 成立。团队产出能力的成对比较结果中（表10 和图9），深度分化团队与标准型团队之间差异不显著，但与其他三类团队均有显著差异，扁平型团队、临时型团队和边缘型团队之间的差异并不显著。

实验结果证明，科研团队在自组织演化过程中是从无序、混乱朝有序、结构方向演化；随着成员分工的精细化，成员之间的沟通交流变少，而团队成员的外部合作增加；一个集体的领导、好的合作者与合理的团队结构能够促使团队高效实现科研目标。

4 结论

本文针对基于成员角色的结构复杂性分析方法开展实证研究：运用louvain算法初步发现科研团队成员后，基于节点在局部有向网络的出度和入度，将科研团队成员划分为领导者、中介者、技术骨干、主要参与人、一般参与人和外围成员6 种角色，再根据团队成员的角色构成，将科研团队划分为均衡型、扁平型、标准型、深度分化型、边缘型和临时型6 种类型。在此基础上，对不同类型科研团队特征进行了比较分析，并进一步就团队有序程度、合作特征及产出能力进行Kruskal-Wallis检验。

图8 不同类型团队年均产量分布箱线图

表10 团队年均产量秩的成对比较结果

经过科研团队识别及类型分析结果显示：（1）企业在电动汽车领域技术创新中的主导地位十分明显，团队数量和包含相应团队数量的申请人数之间满足幂律分布。（2）结构复杂性越高的科研团队，呈现出有序程度越高、内部交流越少、外部合作越多、产出能力越强等特征。这些特征与科研团队演化的自组织过程相吻合，同时验证了普赖斯关于科研团队在“归核化”演进中形成合理形态并提高绩效的观点。说明结构复杂性用于识别探究科研团队结构及识别其组织化程度具有良好效果。

图9 年均产量两两比较示意图