开放式创新社区知识创新能力的量化与评价研究*——以小米社区产品圈子为例

刘合翔 王 松 王卫霞

(1.杭州电子科技大学人文艺术与数字媒体学院 杭州 310018；2.杭州电子科技大学经济学院 杭州 310018)

0 引 言

在知识经济时代，知识创新已成为企业获取持续竞争优势的重要手段。越来越多企业开始创建和使用在线的开放式创新社区收集用户的意见、建议和反馈并与其展开互动，通过一定的知识创新过程，为其产品及服务的创新提供助力及参考。而要在实际业务中有效地促进和管理有关的创新活动，就涉及到如何正确地理解其知识创新过程，以及对其知识创新能力做出客观的评价。本文基于此需求，通过对相关研究的回顾总结，结合对代表性开放式创新社区业务逻辑的考查，尝试将此类社区知识创新能力分解到与其实际创新过程主要阶段所对应的几个维度上来，并就社区自身微观的可观测数据来设计一套评测指标体系，以构造和检验一个评测其知识创新能力的量化模型。

1 理论基础

1.1 知识创新过程

目前的研究普遍认为知识创新是一个具有阶段性特征的动态过程。例如樊治平[1]将知识创新过程分为知识创造和知识应用两个阶段；Lichtenthaler[2]将知识创新理解为企业与外部进行知识资源交互、涉及知识开发、知识引进、知识利用等环节的一个过程；Leydesdorfl等[3]也认为企业的知识创新是在知识共享的基础上，对知识的吸收、运用、转化、整合的一系列活动；具体到平台性的知识创新，徐思彦和李正风[4]则是将其描述为用户基于其兴趣爱好或个人需求提出创意并分享，企业进而收集和创造价值的一个动态的过程。张艳丽[5]认为企业知识创新是通过从外部系统中获取外部知识资源，并实现知识的存储、知识共享等的过程。芮明杰[6]在知识创新模型上，将知识创新分为知识获取、知识选取、知识融合、知识创造、知识扩散和知识共享的六个阶段。张永云[7]从知识创新生态系统视角指出知识创新是知识要素间分布、互动、竞争和演化过程。可以看出，相关研究对于创新过程的理解具有一定的相近性，揭示了知识创新过程中典型的创新活动。而对于特定的创新场景，其知识创新过程的划分及关注的重点在借鉴上述框架之外还需结合实际场景的考量。

1.2 知识创新能力

知识创新能力往往与创新过程中的创新活动直接关联。Yam等[8]研究表明内部知识获取对企业技术能力有着积极的影响作用；Hung与Tang[9]通过对通过对日本、韩国和台湾电子产业的抽样调查发现，外部知识获取亦对企业的创新能力提升有着显著的影响。熊捷[10]将知识获取分为显性的知识获取和隐性的知识获取，认为不管是显性知识获取还是隐性知识获取，对企业创新能力都产生显著正向影响；Marvel[11]认为知识获取的不对称性对知识创新创造至关重要；苏敬勤[12]研究发现知识获取可以增加企业知识的多样性和异质性，是开放式创新联盟中提升知识吸收能力和企业创新能力的基础。另外，在知识创新过程中，创新主体之间还需要不断地进行知识交流与互动才能达到有效创新。盛伟忠[13]以浙江省为主的331家制造业中小企业为样本的实证研究证明,企业通过与外部知识间的互动学习，通过知识吸收提炼的中介效应可以提升其创新能力。研究认为在企业创新过程中还需要将外部知识进行商业化应用达到组织目标[14]。Lichtenthaler[15]实证研究表明，持续性地对知识应用进行投资的企业更善于利用平台创造创新产品以满足市场的需求。Neergaard[16]认为知识应用是把知识转化成实际创新应用的必要步骤，为新观点或新产品的形成作贡献。上述研究中虽然涉及到对特定类型的创新活动的创新效用考察，但未能从创新全流程活动出发来对知识创新的能力做结构化的考察和分析。

而在涉及知识创新能力评估的有关研究上，研究的主要方法是通过询问来对知识创新能力做出主观评价，如王新春等[17]通过对内部人员的问询获取其对知识的感知获取、探索、适应和吸收创新等方面能力的主观评价；张克永[18]通过与专家和内部人员的质性访谈来对创新社区的知识共享绩效展开评估；李林晓[19]也是基于一套主观的评价指标，分别针对用户和社区管理人员来做基于问卷的调研评估。相较而言，鲜有研究是基于社区现实的可观察数据来给出客观评价。

2 开放式创新社区的知识创新逻辑

自从Nonaka和Takeuchi[20]提出了知识创新的SECI理论模型(见图1)后，很多学者将其模型用于有关的知识创新研究之中，并针对不同的研究对象及研究场景对其进行了适应性的改造。例如耿新[21]从知识的分类与分布角度出发，提出的知识创造的IDE-SECI模型；Li等[22]基于知识三分法即隐性知识、灰色知识和显性知识，构建的包含六种转化模式的G-SECI模型；郑承志[23]将知识创造过程可归结为共同化、融合化和操作化三个阶段的螺旋上升过程，并提出了知识创造的SIO-IE模型；以及廖先玲等[24]基于知识流动视角所对SECI模型做出的改造。而本文也将依据SECI模型，通过对以小米社区为代表的开放式创新社区考察，提出改造后的SECI模型，并基于对真实场景中的知识创新活动与知识创新流程梳理，归纳此类社区中知识创新的基本逻辑。

图1 SECI模型

与经典的SECI模型不同，本文在隐性和显性的知识划分基础上，进一步将知识分为“用户隐性/显性知识”和“组织隐性/显性知识”4类，以与开放式创新社区中实际的业务逻辑相匹配，并将新划分的4类知识，以及本文所梳理的5项知识创新活动(知识发布、知识互动、知识提炼、知识应用与知识学习)与原有的4个知识创新阶段(外在化、组合化、内隐化、社会化)依次对应起来，从而形成一个改造后的SECI模型(见图2)。

在该模型中涉及的5项知识创新活动中，前四类活动源于对开放式创新社区中实际用户及组织行为的归纳，其间的对应关系可参见本文依据小米社区中社群圈子的业务逻辑所梳理的其知识创新流程(见图3)，而该模型中的“知识学习”活动由于更多发生于产品及服务的改进(组织隐性知识)为用户所感知(用户隐性知识)的用户体验过程中，并不在此类社区自身直接的作用域之内，因此对于此类知识活动暂未纳入本文当下的考察范围。但从知识创新的完整流程来说，将此活动一并纳入到考察范围并与其他几项活动做整合考虑将使社区知识创新的评价体系更加完整，此目标将有待后续进一步的研究实现。

图2 本文改造后的SECI模型

在图3所反映的实际的知识创新流程中，用户会根据自身的需求在社区平台上发表不同类型的帖子内容(建议、反馈、求助等)，而用户之间会就帖子进行互动(浏览、点赞、评论等)。入驻社区的组织员工则是通过审阅发帖内容，结合帖子的类别、帖子的互动热度等因素，从帖子中选择并精炼出有关提案，其中部分提案会被优先处理，而被处理的提案中会有一部分会被立为待优化改进的项目，并在经历一定的项目开发周期后得以优化。

图3 小米社区中社群圈子的知识创新流程

基于上述的流程不难发现，在现实中的知识创新载体(开放式创新社区)中主要涉及2类知识创新主体：用户(圈子成员)和组织(入驻员工)，以及3种知识创新的客体：用户贡献的知识(帖子)、组织挖掘的知识(提案)及组织利用的知识(立项)。而知识创新主体对知识创新客体施加作用，则是通过上图中涉及的特定行为(如发帖、评论、审阅、响应等)所归纳的4类知识创新活动来完成，最终以实现知识创新的输出(产品及服务的创新)。由此，我们可将此类开放式创新社区知识创新的基本逻辑以如下图形表示(见图4)。

图4 开放式创新社区知识创新的基本逻辑

在上述逻辑中，我们除了可以将知识创新活动可进一步归纳为“用户知识贡献”和“员工知识加工”两大类，还应意识到4类知识创新活动之间还存在着一定的依赖关系(见图5)。首先“知识互动”依赖于“知识发布”(所产生的帖子)，而“知识提炼”除了依赖于“知识发布”，也依赖于“知识互动”——互动程度是提炼的重要依据；最后，“知识应用”(立项优化)则是依赖于“知识提炼”(所形成的提案)。由此我们可以对开放式创新社区的知识创新逻辑形成更进一步的认识。

图5 知识创新活动的分类与依赖关系

3 社区知识创新能力的结构与量化模型

要对开放式创新社区的知识创新能力做出客观评价，可以根据其知识创新的基本逻辑，将知识创新“能力”(C，Capability)——社区所实现的创新产出分解到与主要知识创新活动对应的不同的产出维度上来，并为其构建可量化的评测指标。本文将前述的4类平台知识创新活动分别映射到下表所示的4个维度的能力上，并为其设计了4项评测指标(见表1)。其中最后一个指标“周期内提案的立项效能”是由“周期内已立项的提案数”/“周期内立项提案执行的平均耗时”计算获得。另外，由于知识创新能力的考察主要是从社区平台的视角出发，因此本文将用户的“知识发布”活动对应到组织的“知识获取能力”，并以“知识互动水平”来表述社区在知识互动方面的“能力”。

表1 开放式创新社区知识创新能力的维度划分及评测指标

不过，在做社区或内部社群之间的知识创新能力比较时，仅仅依靠以上4项指标来做评判可能会有失“公允”，因为不同社区和社群因其主题、用户群体以及发展历史的不同而有着创新基础的先天差异。

以小米社区为例，通过制图(图6、图7)来考察其一级圈子和二级圈子的用户规模(成员数，x轴)、员工配置(入驻员工数，y轴)以及知识存量(帖子数，对应气泡大小)，可以发现在此类社区的生态中，社群在有关的创新基础指标上表现出典型的幂率分布，表明各社群圈子的创新基础存在着巨大的差异。

图6 小米社区一级圈子的创新基础差异

图7 小米社区二级圈子的创新基础差异

鉴于社区间创新基础的先天性差异，有必要将创新能力中的先天因素和后天因素分解开来，由此本文借用物理学中能量的有关概念将社区的知识创新能力拆解为了两个部分，其中由社区先天的“规模因素”决定的部分我们将其称之为知识创新的“动能”(D，Dynamics)——由社区当前人员数决定，指向创新主体潜在的能动性，以及知识创新的“势能”(P，Potential)——由社区当前资源量决定，指向创新客体潜在的受动性，而其他由社区后天的“活力因素”决定的部分我们则将其称之为知识创新的“能效”(E，Efficiency)——由社区主题、社区内容质量和社区激励机制等决定，反映创新动、势能向创新产出转化的效率(可分别定义为Ed和Ep)。上述因素与创新能力间的关系，连同因素间的作用关系可以通过以下的创新转化逻辑来表达：

动能-能力转化：人员规模D——>资源创造Ed——>创新产出Cd；

势能-能力转化：资源规模P——>人员利用Ep——>创新产出Cp；

动能-势能转化：人员规模D——>资源创造Ed——>创新产出Cd——>新增资源规模Pi。

由于当前的动能D通过当前的动能能效Ed的转化可以增加未来的势能Pt，因此势能Pt是一个动能D和动能能效Ed的时间函数，而未来的动能Dt和势能Pt又将基于未来的能效Edt和Ept的转化形成新的创新产出，并反映为创新能力Ct。由此可以看出，动能D、势能P、能效E和能力C均属于会随着社区自身的发展而变化的一组动态属性。

对于以较短的动态周期(如按月)来考察已进入相对发展稳定期的社区来说，考察其时间片段的断面值时可以暂时简化这里因素间的相互关系，将它们作为独立的因素来分别考量。而对于考察处在快速成长期或衰退期的社区，以及考察社区知识创新能力的长周期演化的研究而言，则可能需要考虑并讨论上述属性间随时间相互的作用与影响，关于这一类的主题的研究也有待后续做进一步的探索。

在将前述创新能力的4项评测指标进一步分解为上述这两部分的评测指标时，本文将依据“知识创新能力=知识创新动能/势能×知识创新能效，即C=(D∨P)*E”的公式来设计。例如，【知识提炼能力】周期内社区中发起的提案数=【知识创新动能】社区入驻员工数×【知识创新能效】(周期内入驻员工的平均审帖量×周期内帖子的提案转化比例)。同时文本还将评测指标均设为了正向指标(例如，将“周期内立项提案执行的平均耗时”这一负向指标求倒转化为“周期内已立项提案的执行效率”，从而使各指标均能作为知识创新能力的正向评判依据)。由此本文进一步设计了各能力维度上的动/势能指标4个、能效指标10个，最终构成如图8所示的开放式创新社区知识创新能力的结构化量化评测模型。

图8 开放式创新社区知识创新能力的结构化量化评测模型

需要注意的是，在将该量化模型应用于其他的开放式创新社区时，可能需要结合其实际的业务逻辑来对该模型中的指标设定作出一定适应性的调整。

4 社区知识创新能力的测评路径

结合本文对小米社区中所选择产品圈子的实际评测过程，本节将为知识创新社区的知识创新能力评测给出以下的执行参考路径并结合实例做出说明。

4.1 确定评测范围及评测对象

本文选取小米社区这一国内创建较早、具备一定典型性、有较大规模和影响力的开放式创新社区作为这类社区知识创新能力评测的目标平台。基于该社区的现实规模(截至2021.6.25，该社区一共涵盖14个一级圈子和其之下的377个二级圈子，每一个二级圈子对应一个单独的主题社群)以及上一节中分析的该社区的生态特性(圈子间存在显著的先天差异)，本文选取了其中8个产品类目一级圈子其下帖子总量最大的二级圈子(已相对稳定发展)来作为评测对象(具体选择的二级圈子可参见下节分析图表中的图例)。

4.2 明确合适的评测周期

本文根据对小米社区知识创新活动的初步考察，设定了以一个月的时间跨度作为其知识创新能力的测评周期，既考虑到了其知识创新活动的频度特性，也考虑知识创新能力评测的动态时效性。本文最终实际选取的评测周期为2021.5.21-2021.6.20。

4.3 对量化模型中的指标进行定义

依据所确定的目标评测对象的社区特性，本文对所构建知识创新能力的量化模型中涉及公式演算的评测指标(对应图8中的知识创新能效指标)给出具体的定义(见表2)。

表2 知识创能能效评测指标定义

4.4 确定评测所需的数据采集项

根据已构建的社区知识创新能力的量化模型中相关指标所依赖的数据，结合小米社区中可获取数据项，本文梳理的评测所需采集数据项的清单如下(见表3)：

表3 知识创新能力评测的数据采集项

4.5 采集、清洗评测周期内评测对象涉及的数据

针对小米社区上的有关数据的网页特征，本文利用python编写网络爬虫，采集对应评测周期内发布的帖子及提案的全部有关数据，并根据采集数据的实际情况进行筛选、去重、补齐等工作，最终一共采集并保留了124 873个帖子以及1 295个提案的有关数据。

4.6 指标测算、统计，对社区知识创新能力进行结构性考察与评价

基于采集和已清洗的数据，本文对相关指标进行测算和统计，通过不同维度及特定类别(如依据不同的帖子及提案类别、不同的互动类型、不同的提案处理方式)考察、时序考察(如指标的逐日差异)、以及基准设定(如取社群间的指标平均值)和数据可视化(如绘制象限图、雷达图等)等方式对相关指标做更进一步的分析与比较，以对开放式创新社区知识创新规律进行洞察，以及对不同社群间知识创新能力做客观与直观的评价。

本文采取总(能力)-分(动/势能+能效)方式来对社区的知识创新能力进行评测，其中“能力评测”主要考察创新产出，适用于对社群创新力的总体评价；“动/势能”测评主要考察创新基础，适用于对社群创新潜力的评价；“能效评测”主要考察创新转化，适用于对社群创新效率的评价。基于此所构建的一个知识创新能力的结构性评测框架如下(见图9)：

图9 知识创新能力结构性评测框架

5 社区知识创新能力的评测分析实例

以下本文将对选取的小米社区代表圈子——即社区的代表社群(见各图中图例)，依据前述框架展开知识创新能力的评测与分析。

5.1 代表圈子的知识创新能力的维度比较

以上创建图表中，图10-12分别表现的是各代表圈子在评测期内的前三个知识创新能力维度指标(参见表1)上的跨时域表现差异。图13表现的是有做提案立项的代表圈子其立项项目的项目周期分布(对应纵轴上的优化时长)。

图11 代表圈子知识互动水平(有效互动量)比较

图12 代表圈子知识提炼能力(发起提案数)比较

图13 代表圈子知识应用能力(提案立项效能)比较

通过以上对评测数据的可视化呈现，可以快速捕捉到社群圈子在各知识创新能力维度上的表现差异及其在时间上的规律。例如通过图10-12可以发现，在知识创新能力的前三个维度上，各圈子的“能力值”均表现迥异，虽然在各维度能力值上各圈子的排名基本一致，但在各维度上能力值的差异程度上则有明显的不同。同时其能力值的逐日表现均存在着较大波动，且各维度上能力值的波动并不同频，因此对其评价不宜以“一时”论英雄。而图13则反映出有做立项优化的有限圈子中，立项数量(气泡个数)上也存在较大差异，而其项目的优化周期从一日到二十余日不等，但仍以短周期(如当日)居多。而有的圈子因评估的基数过小(如小爱同学圈的完成优化立项仅一项)，应当从相关统计值的比较中剔除，避免产生对统计值的误读。

5.2 代表圈子的知识创新的动/势能比较

根据前文的结构化量化模型，我们将“知识获取”和“知识提炼”的基础设定为知识主体的人员量，并将其归为创新的动能，而将社区“知识互动”和“知识应用”的基础设定为知识客体对应的资源量，将归其为创新的势能(参考图8)。而下图就是针对8个代表圈子在本文涉及的4个维度上的知识创新动/势能指标所做的比较。

图14 代表圈子知识创新的动/势能比较

通过类似上图的动/势能指标的圈子横向对比(为减少绝对值的过大差异带来的指标间的比较困难，本文采用了双轴及对数轴的处理)，可以对不同社区在四个维度上的创新基础形成快速的认知，如各圈子有相对优势的创新条件(例如上图中反映出小爱同学圈相比其成员规模，在获配入驻员工数量上有明显的相对优势)，以及圈子间在各维度动/势能指标上表现的差异(例如上图中各圈子间的创新势能的差异幅度明显大于创新动能差异)。

而根据动/势能在上图中的相对位置，我们还可以进一步来挖掘圈子的其他特性：如果圈子的“互动势能”曲线位置高于“获取动能”柱图顶部的位置，表明其“用户知识贡献的活跃度(发帖量/成员数)”相对较高，而如果圈子的“应用势能”曲线位置高于“提炼动能”柱图顶部的位置，则表明其“员工知识加工的活跃度(提案量/员工数)”相对较高，而图14中最左端的两个圈子就符合此特性。

5.3 代表圈子的知识创新的能效比较与分析

相较来讲，知识创新的能效考察的是一个社区真实的知识创新活力，因此以下将重点针对知识创新能效来设计一种可视化分析与评价方法。

5.3.1知识获取能效的比较与分析

通过构建图15的分析图形：单月发帖成员的占比(气泡大小)、单月发帖成员的平均发帖量(x轴)、单月高质量发帖占比(y轴)，并观察各代表圈子在其坐标系中的相对位置，能够帮助社区决策管理与运营人员快速识别出在知识获取能效指标上表现突出的具体社群(比如K30至尊纪念版圈，以下简称K30圈，在“发帖成员占比”和“发帖成员平均发帖量”指标上表现突出)，并形成对各圈子的获取能效在该坐标系上的表现分布的一个基本认知(如各社群在坐标系中是集中趋近还是较为分散)。

图15 代表圈子知识获取能效的指标比较

另外，通过图16所做的对各圈子中各发帖类型占比的比较，还可以进一步揭示在图15中y轴的高质量发帖占比(相当于用户知识供给的知识密度)数据中所隐藏的结构化信息(由帖子类型反映出的用户知识供给的内容偏好)。例如图16中各圈子的高质量发帖(求助+建议)中，求助类帖子相对建议类帖子更多。

5.3.2知识互动能效的比较与分析

基于图17针对知识互动效能指标的图形构建：单月发帖的单贴平均浏览量(x轴)和单月发帖的有效互动占比(y轴)，并引入知识互动势能指标——单月发帖量(气泡大小)，同样可以观察各圈子在该坐标系下的相对位置，以形成对各圈子在该维度能效指标上表现以及位置分布特征的认知。比如该图中“小爱同学圈”和“小米电视4系列圈”在坐标系中的特殊位置表明了其在互动维度上与其他圈子的气质迥异。

图17代表圈子知识互动能效的指标比较

图18 代表圈子知识互动类别的比较

而通过图18中对各圈子在不同形式互动(参见图例)上表现的比较(为减少指标间绝对值差异带来的圈子间的比较困难，本文采用了对数轴的处理)，则可以将图17中y轴的单月发帖的有效互动占比(相当于用户互动的深入度)数据中隐藏的结构信息(用户对互动方式的偏好)呈现出来。例如图18中就反映出小爱同学圈的用户在互动中相比其他圈子更倾向于点赞而非评论，赞同而非异议。

5.3.3知识提炼能效的比较与分析

基于图19针对知识提炼效能指标的图形构建：入驻员工单月平均帖子审阅量(x轴)、单月帖子的提案转化比例(y轴)，并引入知识提炼动能指标——入驻员工数(气泡大小)，可以观察各圈子在该坐标系下的相对位置，实现对各圈子在该能效维度指标上表现及位置分布特征的认知。例如，该图中反映出K30圈入驻员工的审阅压力明显过大，而小爱同学圈则有着异常的提案转化率。而根据各圈子在此坐标系上的位置分布，则可为员工配置的适应性调整提供参考依据。

另外，通过图20对各圈子的不同类别帖子及所有帖子的提案转化率比较，可以进一步探索不同类别帖子在各圈子中被转化为提案的潜力差异。例如在该图中可以发现，建议类和求助类帖子的提案转化率明显高于全部帖子的平均提案转化率，而不同圈子中转化潜力占优的帖子类型则不尽相同，有的是建议占优，有的则是求助占优。

图19 代表圈子知识提炼能效指标比较

图20 代表圈子不同类别帖子的知识提炼比较

5.3.4知识应用能效的比较与分析

基于图21针对知识应用效能3项指标所构建的图形：单月提案的处理比例(x轴)、单月处理提案的立项比(y轴)、单月已立项提案执行效率(气泡大小)，通过分析各代表圈子在该坐标系相对位置，能够识别在该能效维度指标上表现突出的具体圈子(如小爱同学圈的提案处理比例与立项提案执行效率，以及K30圈的提案立项比)，并形成在该能效维度上社群差异的基本认知(如有些代表圈子已在该坐标系中消失)。需要注意的是图21中的气泡大小直接用于知识应用效率的分析可能会造成误判(例如小爱同学圈的执行效率表现源于提案立项的孤例)，因此还需要结合类似图13的图表综合来做出评判。

由于图21中的信息未能反映各圈子中对未立项提案的几类处理的结构比例，因此无法对知识应用(立项)前的“知识竞争”形成认知。通过图22的则可以弥补图21在此结构上分析的不足，既得以了解各社群中已立项提案中所在各阶段(立项待开发、开发中、已优化)的占比分布，也可以了解各圈子对于未立项提案去向(被处理方式)的结构性差异(如图22中，区别于其他代表圈子的处理方式构成，小爱同学圈的未立项提案均做了回复处理)。

图21 代表圈子知识应用能效的指标比较

图22 代表圈子知识应用比例的比较

5.3.5知识创新能效的维度比较与分析

在逐一完成对8个代表圈子在单维度能效指标上的比较分析后，有必要对各圈子做下跨维度的比较，本文通过计算知识创新各维度能效指标值的乘数(例如互动维度的能效指标乘数：“单贴平均浏览量”ד有效互动占比”)，并构建图23形式的图表(纵轴对应各维度的能效指标乘数值)，来总体判断各圈子在知识创新能效上所具有的“维度优势”。

图23 代表圈子知识创新能效的维度比较

由于各维度上知识创新能效指标乘数的量值差异较大，不利于做跨维度上的圈子比较，本文因此对各维度能效指标的乘数值做了均值归一化处理，最终形成图23所呈现的代表圈子在各维度能效上的综合相对表现。

通过该类图表不仅可以识别出在知识创新能效上具有特定维度优势的圈子(例如有知识获取和知识应用维度优势的K30圈、有知识互动维度优势的小爱同学圈、有知识提炼维度优势的MIUI系统圈)，而且能够针对单个社群在能效上做跨维度比较(例如K30圈在知识的获取、提炼和应用维度上表现出众，但在知识互动维度上则相对较弱)。

5.3.6知识创新各维度能效的综合比较与评价

如果要对各代表圈子知识创新的能效做跨维度的比较和评价，还需要为能效的评价引入一定的评判基准，本文采用在各能效指标上各代表圈子的平均值(基于多数能效指标值的分布为正态分布。而社群在知识创新动能和能力指标上的值一般为幂率分布，则不宜采取平均值作为其评价的基准)作为评价的基准(该基准未来还可进一步扩展为全社区所有圈子的指标平均值)，并以相对该基准的偏差来反映各圈子在不同能效维度及其指标上的相对优劣势。本文将利用图24来为该逻辑下的知识创新能效比较和评价提供解读支撑。

首先，由于各能效指标的量纲不同，各指标得到的圈子平均值也差异较大，哪怕做对数轴处理也仍会造成由平均值绘制的基准线线型不规整(如图中虚线)，这会导致各圈子相比基准线差异的解读困难(如图上方MIUI系统圈其指标值边界相对基准线的偏移很难做解读)。为解决这一问题，本文同样采用了前述的均值归一化处理，将所有代表圈子的各标平均值均转化为1，进而将各圈子能效指标的绝对值等比换算为相对值，而并不改变圈子间指标值的比值差异，从而使实现图形中单一圈子跨维度及跨指标表现的可比性(例如MIUI系统圈的知识应用维度表现明显相较它其他维度的表现更强)，同时也更容易发现各维度上和指标上的优势圈子(如图中K30圈在员工平均审帖量，小爱同学圈在帖子的平均浏览量上，相较其他圈子有明显优势)。

图24 代表圈子知识创新效能的基准比较

而基于图23和图24分别对各圈子所做的跨维度与跨指标比较，若以均一化后的指标值为基准值2倍以上(这里的判定系数可根据值差异分布自行设定)作为该指标优势圈子的评判标准(同理，也可设定劣势圈子所对应的判定条件)，则可以得到如表4的评判结论。

表4 代表圈子知识创新能效评判结果

在以上的评测分析实例中值得注意的是，由于小米社区中的细分圈子数量庞大，本文在选取评测的代表圈子时对其社区生态还无法充分把握，因此在所选圈子的代表性、可比性(规模可比、配套可比、主题可比)上或有进一步探讨与改进的余地。此外，部分知识创新能效指标仍会存在一定的幂率分布特性，因此通过取平均数来设置能效评估基线的策略还可考虑做进一步的修正。最后，在实际的评测实践中，相关的评测结论还应在形成可视化的预判后做基于数值的确认。

6 研究总结

本文通过相关文献回顾发现，现有研究对于知识创新过程做了不同却相近的阶段划分与创新活动归类，而在知识创新能力评价方面，相关研究中多围绕特定的知识创新活动展开，少有从知识创新全流程的角度出发对知识创新能力做结构化的分析与考察。在评价手段上多是通过访谈及问卷来获得有关人员的主观评价，缺少基于社区现实运行数据来做的客观评价。针对这两个方面的研究不足，本研究借鉴了现有研究中对知识创新过程的有关认知，从由此所定义的一组知识创新的全流程活动出发，运用社区自身的运行状态数据来对社区的知识创新能力进行评测，搭建了一个结构化、体系化的创新能力评测框架，为开放式创新社区的创新管理提供了一套实操性的客观评测方法。

通过对传统的SECI模型的改造，本文将模型中的知识创新过程落实到相应的活动层面，通过引入社区场景下的知识主体与知识客体，梳理总结了目前开放式创新社区知识创新的基本逻辑，并在此基础上根据此类社区知识创新活动的类别提出了评测知识创新能力的四个维度，从而进一步延展并丰富了知识创新的过程理论。另外通过设计涵盖这四个维度以及创新能力、创新动/势能、创新能效三个层次，涉及18项量化评测指标的知识创新能力的结构化量化模型，本文也为现实中的知识创新社区的创新考核提供了一套参考工具。

基于对小米社区中8个产品圈子在该量化模型中指标上的实际测评，本文发现了此类社区中各社群在知识创新能力上所表现出的结构性差异及其他的一些特征，而本文的分析评测过程则是为此类社区知识创新能力的测评提供了一种新的操作路径。通过实际案例的测评分析，验证了对此模型下的各评测指标的组合可视化设计与呈现，能够直观地反映出社区中知识创新的现状与潜力，并为此类社区的运营与知识创新提供相应的决策依据和管理抓手。

需要说明的是，本模型的评测框架和评测逻辑更适用于与小米社区运营方式相近的知识创新社区、评测的对象属于已进入相对稳定发展期的社群、且评测为动态短周期评估的情况。对于不同运行方式的社区和处在快速成长期和衰退期的社群的评测，或对社区长序创新能力的演化研究，则需要做该评测模型的适应性改造，后续的研究可以针对以上场景和主题做进一步的扩展研究。另外，在具备相应研究条件时，后续研究也可考虑将知识创新流程中用户的知识学习和吸收环节也纳入到知识创新的评测体系中来，以实现一个对知识创新绩效完整闭环的考察。