渐进式抑或突破式：个体创新幅度对众包绩效的影响——基于计算仿真的分析

严 杰

(四川省宜宾五粮液集团有限公司，四川 宜宾 644000)

0 引言

在经济全球化背景下，企业仅依靠内部资源参与市场竞争已经不能满足发展需要[1]。众包的出现大大扩展了企业边界，将大量不同时间、不同地点、具备不同知识和能力的个体在网络上有机聚集在一起，通过促进沟通、激发创意，创造性完成以往由企业内部人员难以完成的复杂任务[2]，极大地提升了企业资源配置效率。其中，个体是知识和技术资源贡献的主要载体。个体参与一项众包任务，通常基于自身专业知识、经验等形成一个初始问题解决方案[3-4]。由于受到认知和信息处理能力的限制[5]，个体只拥有与众包任务相关的有限知识，表现出有限理性特征。因此，参与者一般不能直接提出一个最优问题解决方案，需要在问题解决过程中逐步改善[6]。在问题解决过程中，个体主要依靠创新搜索和模仿搜索两种方式提出问题解决方案。在竞赛式众包中，参与者彼此独立、缺乏协同，只能依靠创新搜索挖掘更加有效的问题解决方案。

问题解决研究较早关注个体创新搜索行为，本质上是一个新知识单元与现有知识单元重组的不确定性过程[7]。由于受到短视行为阻碍，每次个体仅通过重组有限的知识单元执行搜索过程，具体表现为调整问题解决方案决策维度数量。目前，多数研究都将个体短视约束限制设置为单一维度[8-9]，即个体通常采用局部搜索方式[10]，局部搜索是个体问题解决方案质量渐进式提升的过程。Levinthal等[11]认为，局部搜索具有非常强的路径依赖，极易导致个体陷入局部最优，故当问题空间适应度景观非常平滑且只有一个最优点时，无论个体搜索起点如何，局部搜索总是能搜索到最优值；当问题空间适应度景观较为崎岖时，因适应度景观中存在诸多局部最优点，因此采用局部搜索极易陷入不同局部最优；Gavetti等[6]研究发现，如果解决方案空间中的相邻位置没有类似收益，那么局部搜索不比随机选择备选方案更加可靠。因此，受到自身属性的限制，在个体解决问题过程中，采用局部搜索机制容易陷入局部最优。在某些情况下，个体也可能采用“长跳”方式，朝着完全不同的方向搜索问题解决方案[11-12]。Kauffman等[13]指出，如果个体在邻居中找不到更好的替代方案，则需要采用长跳搜索；Kleer[14]认为，当任务复杂性增加时，长跳搜索价值也会相应增加；Billinger等[15]研究发现，与局部搜索相比，长跳搜索范围变大，为避免陷入局部最优，也会破坏已获得的搜索位置，从而对搜索结果产生负面影响。

现有研究基本厘清了局部搜索和长跳搜索对个体绩效的影响机制，但仍存在一些不足：①相对于改变单一维度的局部搜索，现有研究默认将大于等于两个维度的搜索都统称为长跳搜索[16]，但显然，长跳搜索中每次改变决策维度数量均会对绩效产生不同影响；②个体认知能力决定个体搜索问题解决方案的起点位置，处于较好起点或者不太好的起点对于采用哪种创新搜索行为有待探讨；③现有研究发现，简单任务采用局部搜索即可,但随着任务难度增加，则需要采用长跳搜索，而需要采用何种程度的长跳搜索也需要进一步明确；④现有研究大多关注个体创新搜索行为对个体创新绩效的影响，对群体绩效或组织绩效影响的研究较少。这些问题都是进一步厘清众包问题解决过程内在机理的关键，需要进行系统性研究。

本研究结合TCPE框架和NK模型，构建一个模拟众包问题解决过程的仿真模型。由于个体创新搜索过程本质上是一种创新行为[17]，因此与局部搜索和长跳搜索类似，Ettlie等[18]根据创新幅度大小将创新行为分为渐进式创新和突破式创新两种。其中，渐进式创新是一种低层次创新，强调对原有知识的微小改进或彻底改变；突破式创新则是一种高层次创新，强调对原有知识较大幅度的改进。为此，本研究引入个体创新幅度的概念，将其定义为个体创新搜索幅度大小，用以描述局部搜索和长跳搜索两个极端点之间的范围，进而表征个体问题解决过程中每次调整决策维度数量的多少。同时，引入个体有限理性水平和个体有限理性偏差表征个体认知能力[19]。本文通过研究个体创新幅度对众包绩效的影响机制以及个体有限理性水平、有限理性偏差和任务复杂性的调节作用，厘清个体创新幅度在众包问题解决过程中的内在机理，可为众包实施过程中创新氛围的营造提供理论依据。

1 众包仿真研究现状

众包是一个典型的复杂适应系统，实施过程中的动态行为比经典统计力学研究对象更加难以预测。众包中的随机性不仅能反映状态上的随机性，而且可体现组成要素相互作用关系的随机性，故众包系统演化规律难以用实证数据测量。现有研究表明，很少有众包研究涉及高粒度数据[20]，因为很难对实际众包平台分类数据进行广泛研究，一是数据收集困难且涉及用户保密问题[21]，二是众包平台管理者通常不会建立包括众包问题与相应解决方案以及发包方和接包方特性的数据库。因此，基于主体建模与仿真(ABM)成为研究众包问题的一种适用工具。Natalicchio等[17]指出，众包研究大多是一些具有少量构件和相关命题的简单理论，在这种情况下，计算仿真成为研究众包问题的一种重要方法。

随着新计算方式和新手段的出现，特别是复杂系统研究的需要，计算仿真受到越来越多学者的广泛关注。当前，仿真不再是简单地用于微分方程求解，而更多地采用离散事件模型对具有动态、随机和离散特征的社会经济系统进行建模[22]。特别是伴随着群体智能算法的发展(如遗传算法和蚁群算法)，“在计算机上做实验”的计算仿真成为社会科学领域的重要研究工具。计算仿真的核心优势在于，不受数学语言的限制，采用自然语言描述微观层面个体属性、决策逻辑和行为机制，通过建立微观模型模拟个体之间的相互作用，研究宏观层面涌现出来的复杂行为，并实时观察演化过程中系统状态和结构的变化情况，以实现微观和宏观的有机统一。

近年来，源于生物学领域的NK模型受到越来越多学者的关注，目前已成为研究集体问题解决的重要理论工具[8-9]。基于问题解决视角，Afuah & Tucci等[23]首次将NK模型引入众包领域，为开展众包定量化研究提供了良好思路，是众包仿真建模的重要理论支撑；Natalicchio等[17]基于NK模型建立仿真模型，定量研究众包问题解决过程中任务特征与个体特征对众包绩效的交互影响，证实采用NK模型研究众包问题更加适用；严杰等[24]采用NK模型研究个体有限理性的3个维度，即个体有限理性水平、个体有限理性系统化程度及个体有限理性水平标准差，为众包绩效影响机制及众包实施过程中的个体筛选提供了理论支撑。然而，目前基于NK模型研究众包内在机理仍处于探索阶段，将NK模型与众包运作过程结合起来的研究较少，导致众包运作过程建模缺乏规范性和系统性。

2 仿真模型构建

2.1 基本模型

Chiu等[25]在研究众包如何支持管理决策时提出一个“Task-Crowd-Process-Evaluation”众包运作过程框架(简称TCPE框架)，认为众包活动主要包括4个基本要素：任务(Task)、群体(Crowd)、过程(Process)和评估(Evaluation)，如图1所示。这一框架纳入众包发包方、平台和接包方3个主体，可以完整刻画众包运作过程的本质特性，主要包括4个阶段：①众包任务生成：发包方选择一个企业需要解决的问题，将这个问题委托给一个众包平台，众包平台对其进行整理和分析，形成众包任务；②众包参与者确定：众包平台在网站上发布任务，或者将其直接推送给平台上的问题解决者(接包方)，众包参与者选择是否接受这一任务，所有接受该众包任务的参与者组成解决该问题的网络大众；③参与者解决问题：接受这一任务的所有参与者开始解决这个问题，在问题解决过程中可以借助平台功能与其他问题解决者进行交流和知识共享，也可以依靠自身能力实现创新，以此不断修正问题解决方案，在竞赛式众包中，只能依靠自身创新实现能力提升；④众包绩效评估：在规定的众包任务完成时间内，参与者向众包平台提交最终问题解决方案，平台按照一定标准和要求对其进行评估，并将一个或几个最佳方案反馈给发包方。

本研究采用模式导向建模法，结合NK模型和TCPE框架，围绕框架的4个基本要素：任务、大众、过程和评估，构建模拟众包问题解决过程的仿真模型，具体如下：

(1)任务要素建模。以设计一种新产品为例，如果这种新产品由N个部分组成，本质上是完成N项决策，因此采用一个N维数组表示。由于一项任务的每项决策都有几个不同选择，为简化问题空间结构，通常设置两个选择[13]，用0、1表示，故众包任务有2N个潜在问题解决方案，并组成众包任务问题空间。借助NK模型，引入变量K调节众包任务问题空间的崎岖度，假设每项决策都受到其它K个决策项的影响，故采用K的取值定义任务复杂性。K值越大，说明任务复杂性越高。

(2)大众要素建模。当众包任务发布后，假设有M个个体参与到这一众包活动中，每个个体都要提交一个问题解决方案。由于个体问题解决方案对应众包任务，因此采用N维数组O={O1O2…Oi…ON}表示，其中Oi∈{0, 1}。

(3)过程要素建模。过程是参与者接收任务后完成该任务的一系列活动。在竞赛式众包中，参与者基于自身初始问题解决方案，通过反复多次的创新搜索，随机调整现有问题解决方案中一个或几个维度，如果形成一个高质量问题解决方案，则会用其代替旧问题解决方案，否则保持不变。

(4)评估要素建模。评估包括个体问题解决方案质量评估和众包绩效评估两个方面。通常而言，个体问题解决方案的质量可用该方案在问题空间中的绩效表示。假设某一个问题解决方案中一项决策i的取值为ai。由于每项决策对问题解决方案绩效的贡献ci除受自身取值影响外，还受其它K项决策取值的影响[26]，用向量ak表示K项决策的取值，因此决策i对问题解决方案绩效贡献的计算公式如下：

Pi=ci(ai,ak)

(1)

一个问题解决方案的整体绩效由N项决策的平均贡献大小表示[26]，计算公式如下：

(2)

关于众包绩效评估，本文借鉴Javadi Khasraghi(2014)的研究，采用参与者提交方案的平均质量反映众包绩效。Natalicchio等[17]认为，发包方并不总是能选择到最佳解决方案，故参与者提交方案的平均绩效是规避不能挑选到最佳解决方案的一种稳健测量指标。计算公式如下：

(3)

2.2 新增特征

(1)个体创新幅度。在过程要素维度，引入个体创新幅度(Innovation Amplitude)变量，将其定义为个体每次调整问题解决方案决策维度的数量，用IA表示。个体搜索最优问题解决方案会随机调整自身问题解决方案IA个维度，如果调整后的问题解决方案绩效有所提高，则采用调整后的问题解决方案，否则保持不变。

(2)个体有限理性水平。在大众要素维度，引入个体有限理性水平(Bounded Rationality level)变量。根据现有研究，将有限理性定义为个体对问题空间的部分关注[24]。个体拥有一个维度小于问题空间的简约空间，个体基于过往知识和经验构建最优简约空间，即个体认知表征，以反映个体竞争优势来源。假定个体认知表征维度为N1，采用认知表征维度比例(N1/N)表示个体有限理性水平(BRL)。

借鉴Gavetti等[6]关于个体有限理性水平的建模方式，在认知表征空间中，每个决策配置与之相对应的众包任务问题空间的决策配置有2N-N1个，假设认知表征空间中每个点的适应度值等于与该点相对应的众包任务问题空间中2N-N1个点的平均适应度值，个体选择认知表征空间中适应度值最大的一种决策配置形式作为自己的认知表征。

(3)个体有限理性偏差。在大众要素维度，引入个体有限理性偏差(Bounded Rationality Bias)变量。由于地区、个人成长环境、专业背景不同，导致个体在知识和经验方面也不同，即个体认知表征不同。根据现有文献，将个体有限理性偏差定义为认知表征的准确程度[19]，用BRB表示。

通常来说，N1由一些关键决策维度和其它随机决策维度共同组成，其中关键决策维度数量由BRB决定，BRB=N1*(1 - BRB)。个体从N个维度中选择N1*(1-BRB)个关键决策维度和从剩下的(N - N1*(1 - BRB))个维度中选择N1*BRB个随机决策维度共同构建认知表征。其中，关键决策维度识别主要基于众包任务中每个决策项的影响力，影响力大小由每个决策影响其它决策的数量决定，一个决策影响其它决策的数量越多，说明其影响力越大，这项决策就越有可能被选为关键决策。如果几项决策具有相同影响力，则从中随机选择一项决策作为关键决策维度构建认知表征。

3 仿真实验设计与结果分析

本研究以凯翼汽车众包项目为研究对象。凯翼品牌在2015年发布了“众包造车”项目，成为国内首家实施众包造车的企业。考虑汽车设计的复杂性和技术专业性，凯翼众包造车项目为参与者提供汽车底盘和动力总成，参与者主要进行车身设计和车内设计，本研究以车身设计为研究重点。

图2 承载式车身基本结构

一般而言，按照车身受力情况可将汽车车身分为非承载式车身、半承载式车身和承载式车身3种。不同类型车身设计组件存在较大差异，车身结构组成组件为8～20个不等。以承载式车身结构为例，如图2所示，主要包括翼子板、发动机盖总成、顶盖总成、行李舱隔板总成、行李箱盖总成、前围总成、机舱总成、前门总成、后门总成、地板总成、前围总成、后围板总成共12个组件。因此，本研究将任务维度N设定为12，同时还对N=10和N=14两种情况进行敏感性分析，发现结论与N=12时一致，限于文章篇幅不予展示。同时，令K=9，刻画一种高复杂任务，与Rivkin等[27]、Oyama等[28]的设置一致。此外，令M=100，与Miller等[29]、Kim & Rhee[30]、Kane & Alavi[31]保持一致，以反映大规模群体特征。模型基本参数设置见表1。

表1 模型基本参数设置

基于Netlogo平台实现仿真模型。为避免随机性影响，每次实验采用不同随机数种子运行100次，每次运行100个周期，以100次实验最后一个周期的平均结果作为依据。实验表明，在100个实验周期内，仿真实验均能达到本研究所定义的均衡状态，即连续10个周期内所有参与者问题解决方案平均绩效的标准差小于0.005。同时，本研究对实验结果进行方差分析(ANOVA)和多重比较，所有结论均在0.05水平上具有一般统计学显著性特征。

(1)个体创新幅度与任务复杂性对众包绩效的影响。图3描述个体创新幅度(IA)与任务复杂性(K)对众包绩效的影响。从中可以看出，当任务复杂性非常低时(K=1)，个体创新幅度与众包绩效负相关，即保持较低个体创新幅度有利于提高众包绩效；当任务复杂性较高时(K>1)，个体创新幅度与众包绩效呈倒U型关系，即保持适当的个体创新幅度有利于提高众包绩效。本研究认为，个体创新幅度具有双重效应：积极方面，可以避免个体陷入局部最优；消极方面，可能会破坏个体前期已经获得的搜索起点，个体需要从一个相对较差的搜索起点重新开始搜索。因此，为提高众包绩效，个体需要平衡积极效应和消极效应。在简单任务中，问题空间适应度景观非常平滑，不存在局部最优点，需要最小化消极效应，保持最低创新幅度；在复杂任务中，问题空间变得崎岖，需要采用跳跃搜索方式以避免陷入局部最优，但又要规避幅度太大产生系统偏差，因此应保持适度的创新幅度。

此外，在相对复杂的任务中(K>1)，个体需要维持的创新幅度受任务复杂性(K)的影响。当K=3和K=5时，实现最优众包绩效的个体创新幅度为2；当K=7和K=9时，实现最优众包绩效的个体创新幅度为3。也即，随着任务复杂性增加，实现最优众包绩效的个体创新幅度也要相应增加。

(2)在简单任务中，个体创新幅度和个体有限理性对众包绩效的影响。图4描述K=1时个体创新幅度、有限理性水平与众包绩效的关系。从中可以看出，在不同有限理性水平下，个体创新幅度与众包绩效负相关，即有限理性水平不会影响个体创新幅度与众包绩效之间的负相关关系。

图3 个体创新幅度与任务复杂性对众包绩效的影响

图4 当K=1时，有限理性水平和个体创新幅度对众包绩效的影响

图5描述K=1时，在不同有限理性水平下，个体创新幅度、个体有限理性偏差与众包绩效的关系。无论有限理性水平如何，在不同有限理性偏差下，个体创新幅度与众包绩效均呈负相关关系，即有限理性偏差不会影响个体创新幅度与众包绩效之间均负相关。

图5 当K=1时，在不同有限理性水平下，个体有限理性偏差与个体创新幅度对众包绩效的影响

(3)在复杂任务中，个体创新幅度和个体有限理性水平对众包绩效的影响。图6描述K=7时，个体创新幅度、个体有限理性水平与众包绩效的关系。图7描述K=7时，在不同有限理性水平下，个体创新幅度、有限理性偏差与众包绩效的关系。从中可以看出，个体创新幅度与众包绩效始终呈倒U型关系，即个体有限理性水平和个体有限理性偏差均不会影响个体创新幅度与众包绩效之间的倒U型关系。

同时，随着个体有限理性水平提升，实现最优众包绩效对应的个体创新幅度未发生变化；但是在较高个体有限理性水平下，随着个体有限理性偏差增加，实现最优众包绩效对应的个体创新幅度发生改变。当个体有限理性偏差较小时(BRB=0.1)，实现最优众包绩效对应的个体创新幅度为2；当个体有限理性偏差较大时(BRB>0.1)，实现最优众包绩效对应的个体创新幅度增加到3。因此，依托有限理性水平，个体有限理性偏差会调节实现最优众包绩效对应的个体创新幅度大小。

此外，当个体创新幅度较小时(IA<3)，随着个体有限理性水平提升，众包绩效提升较为显著；但当个体创新幅度较大时(IA>3)，随着个体有限理性水平提升，众包绩效提升幅度较小。在有限理性水平较高情况下(BRL=0.7)，当个体创新幅度较小时(IA<3)，降低有限理性偏差能够显著提高众包绩效；但当个体创新幅度较大时(IA>3)，降低有限理性偏差则不会显著提高众包绩效。因此，个体创新幅度增加将在一定程度上削弱有限理性水平提高和有限理性偏差降低对众包绩效的正向影响，正好验证了上述关于个体创新幅度消极效应的理论解释。即个体创新幅度增加会破坏个体较好的初始搜索起点，或破坏基于较好初始搜索起点而获得的最新搜索起点。为验证这种削弱效应，进一步进行仿真实验分析。

图8描述K=7时，在不同个体创新幅度下，有限理性水平、有限理性偏差与众包绩效的关系。从中可以看出，当创新幅度较小时(IA=1和IA=2)，随着个体有限理性水平提升和个体有限理性偏差降低，众包绩效显著提升；当创新幅度非常大时(IA=5和IA=6)，随着个体有限理性水平提升和个体有限理性偏差降低，众包绩效几乎不发生变化。因此，个体创新幅度会削弱个体认知能力对众包绩效的影响。也即，当认知能力较强(对应搜索起点较好)时，需要采用渐进式创新；当认知能力较弱(对应搜索起点较差)时，需要采用突破式创新。

图6 当K=7时，个体创新幅度与个体有限理性水平对众包绩效的影响

图7 当K=7时，在不同有限理性水平下，有限理性偏差与个体创新幅度对众包绩效的影响

4 结语

4.1 研究结论

本研究结合TCPE框架和NK模型，通过分析众包运作过程，首次构建一个模拟众包问题解决过程的仿真实验模型，为后续众包仿真研究提供了规范化、标准化模型参考依据。借鉴创新行为研究中的创新幅度概念，将局部搜索(对应渐进式创新)和长跳搜索(对应突破式创新)整合成一个连续变量，反映个体问题解决过程中每次调整问题解决方案决策维度的数量。同时，引入个体有限理性，从个体有限理性水平和个体有限理性偏差两个维度表征个体认知能力。通过一系列仿真实验，系统探讨众包问题解决过程的内在机理，厘清个体创新幅度、个体有限理性和任务复杂性等不同因素对众包绩效的交互作用机制，得出如下结论(见图9)：

(1)个体创新幅度与众包绩效存在两种影响模式：当任务非常简单时，个体创新幅度与众包绩效呈负相关关系；当任务复杂性较高时，个体创新幅度与众包绩效呈倒U型关系。原因在于，个体创新幅度具有双重效应：避免个体陷入局部最优点的积极效应和破坏个体已经获得搜索起点的消极效应；当众包任务简单时，问题空间的适应度景观非常平滑且只有一个最优点，无论个体搜索起点如何，采用局部搜索就可以逼近最优问题解决方案，如果提高个体创新幅度，个体前期获得的搜索起点可能被破坏，导致众包绩效降低。但是，当任务较为复杂时，众包任务问题空间变得崎岖，个体如果仅采用局部搜索必然陷入各种局部最优，故需要适当提高个体创新幅度，因此需要维持适度的创新幅度。

图8 有限理性水平、有限理性偏差与众包绩效的关系(K=7)

图9 个体创新幅度与相关变量对众包绩效的影响机制

(2)个体有限理性水平和个体有限理性偏差均不会改变个体创新幅度与众包绩效之间的两种影响模式。但是在相对复杂的任务中，任务复杂性与个体有限理性偏差均会调节实现最优众包绩效对应的个体创新幅度。其中，当任务复杂性较高时，随着个体有限理性偏差的增加，对应的个体创新幅度也随之增加。原因在于：任务越复杂，众包任务问题空间越崎岖，越需要提高个体创新幅度，通过改变更多维度决策项获得更好的结果；同时，随着个体有限理性偏差增加，个体认知能力降低，在崎岖的问题空间中很难搜索到最优解决方案，因此可通过提高个体创新幅度，在更大范围内搜索更优的问题解决方案。

(3)个体创新幅度增加会在一定程度上削弱有限理性水平提高和有限理性偏差降低对众包绩效的正向影响。当个体认知能力较强时，需要采用渐进式创新；当个体认知能力较弱时，需要采用突破式创新。原因在于：个体认知能力决定个体搜索初始位置，认知能力越强，初始位置越好，这种情况下较高的个体创新搜索幅度极易破坏个体已经积累的优势；相反，当个体认知能力较弱时，较高的个体创新搜索幅度是弥补前期积累不足的一个有效途径，大胆创新或尝试可能会获得意想不到的结果，为个体搜索到更好的问题解决方案提供更多可能。

4.2 理论贡献

本文理论贡献主要表现在以下几个方面：

(1)丰富问题解决过程中个体创新搜索内涵，揭示个体创新幅度的双面作用。现有研究将问题解决过程中的个体局部搜索和长跳搜索定义为单维变量并证实其对个体适应性存在不同影响。本研究结合创新理论中的创新幅度概念，将局部搜索和长跳搜索整合成一个变量——个体创新幅度，扩展了个体创新搜索内涵，揭示个体创新幅度的双面作用，既可以避免个体陷入局部最优，也可能破坏个体已经获得的搜索位置。因此，个体需要根据自身认知能力和任务复杂性，在个体创新幅度的积极作用和消极作用中取得平衡。

(2)厘清渐进式创新和突破式创新方式应用路径。现有研究从任务复杂性角度对选择哪种创新方式进行区分，即简单任务适合采用渐进式创新，复杂任务适合采用突破式创新[32-33]。本研究进一步区分创新幅度大小与任务复杂性的对应关系。在简单任务中，个体需要采用渐进式创新，但随着任务复杂性增加，个体需要采用突破式创新；当任务复杂性适中时，个体应该采用幅度较小的突破式创新；当任务比较复杂时，个体采用突破式创新的幅度需要适当增加。

(3)揭示问题解决过程中搜索位置与搜索行为之间的矛盾关系。当前学者针对问题解决过程中个体搜索位置与搜索行为作用关系的探讨较少。本研究发现，在众包问题解决过程中，个体搜索位置与搜索行为存在矛盾关系，即个体搜索起点越好，越应该保持较低的创新搜索幅度。同时，个体搜索位置与搜索行为的矛盾关系不会受到任务复杂性的调节作用，当任务非常简单或非常复杂时，更应该平衡好两者之间的关系。

4.3 管理启示

本文结论能够为众包实施过程中的平台创新氛围营造提供理论依据，具有重要实践价值。本研究认为，依据有限理性水平可将行业分为新兴行业和传统行业，其中新兴行业参与者的有限理性水平较低，传统行业参与者有限理性水平较高；有限理性偏差可用来区分用户，有限理性偏差较大个体为普通用户，有限理性偏差较小个体为专业用户。

当企业可以同时招募普通用户和专业用户完成众包任务时，如何针对用户类型营造不同的平台创新氛围是一个重要问题。当众包任务非常简单时，无论企业处于什么行业，也无论平台上用户类型如何，企业均可通过宣传创新失败案例营造一种低创新氛围，让参与者保持较低的个体创新幅度；而当众包任务较为复杂时，如果企业处于新兴行业，无论平台上用户类型如何，企业均可以通过适当宣传创新成功案例营造一种适度的创新氛围。如果企业处于传统行业，当参与者都是专家用户时，企业应该营造一种较低的创新氛围；当参与者都是普通用户时，企业应该营造一种适度的创新氛围。

为更加有效地制定众包实施管理策略，本文提供如下理论变量测度办法：①有限理性水平测度：在选择参与者时，引导参与者填写测试题目，评估参与者对解决众包任务所需知识的掌握程度，参与者掌握相关知识的比例越高，则其有限理性水平越高；②有限理性偏差测度：在了解参与者掌握相关知识内容和比例的基础上，分析每个参与者掌握的相关知识内容是否属于解决该众包任务的关键知识，参与者掌握的解决众包任务的相关知识越多，其有限理性偏差越小，就越有可能被当作专家用户；③个体创新幅度测度：统计每个参与者在问题解决过程中尝试调整决策项的个数，计算所有参与者在问题解决过程中尝试调整决策项个数的平均值，平均值越大，则个体创新幅度越高。