| 知识菌株对大数据算力企业知识学习迁移的作用机制研究 |
| Study on Function Mechanism of Knowledge Strains on Knowledge Learning Transfer of Big Data Computing Enterprises |
| 摘要点击 55 全文点击 0 投稿时间：2025-10-30 修订日期：2026-07-07 |
| 查看/发表评论 下载PDF阅读器 |
| 中文关键词 知识菌株；大数据算力企业；知识学习迁移 |
| 英文关键词 knowledge strains; big data computing enterprises; knowledge learning transfer |
| 基金项目 2025年国家社会科学规划基金项目：数实融合促推制造业产业链“延链补链”效应测度研究（编号25BTJ013）。国家社会科学规划基金项目：质量强国战略下无边界制造企业质量特异性免疫适应进化机理及影响路径研究（编号17CGL020）。国家社会科学规划基金项目：在位企业突破性创新形成机理、演化过程与实现路径研究（编号23BGL070）。2025年度辽宁省教育厅高校基本科研项目：辽宁专精特新企业绿色质量系统韧性的时空演化进路及多源域迁移学习链条（编号LJ112510146007） |
| 投稿方向 管理系统工程 |
| 作者 | 单位 | 邮编 | | 刘强 | 辽宁科技大学 | 114051 | | 范敏楠* | 辽宁科技大学 | 114051 | | 周安 | 辽宁科技大学 | | | 褚祝杰 | 上海交通大学 | | | 李晓娣 | 哈尔滨工程大学 | |
|
| 中文摘要 |
| 在大数据技术迅猛发展驱动算力需求激增的背景下，本文构建以知识菌株为近端前因；以概念知识地图、知识网络级联失效抗毁性、知识线程为中介变量；以组织势和知识阻为调节变量；以知识学习迁移为目地准则变量的知识菌株对大数据算力企业知识学习迁移的作用机制概念模型，以427家大数据算力企业为研究对象，从静态观出发，采用基于偏差修正—百分位靶靴抽取协奏的非动态型非参数Bootstrap估计方法对知识菌株对大数据算力企业知识学习迁移的作用机制进行实证分析，从动态观出发，采纳基于动态Multi Agents的进阶式计算机仿真模拟法对知识菌株对大数据算力企业知识学习迁移的作用机制进行模拟实验。研究结果表明，知识菌株对知识学习迁移具有显著正向影响；概念知识地图、知识网络级联失效抗毁性和知识线程在知识菌株与知识学习迁移关系之间发挥中介效应；组织势正向调节中介变量与知识学习迁移之间关系及中介变量在知识菌株和知识学习迁移关系之间的中介作用机制，知识阻则负向调节上述关系与中介作用机制。本文实现生物学与管理学交叉融合，丰富企业知识管理研究成果，为大数据算力企业优化知识学习迁移、提升创新能力提供实践指导。 |
| 英文摘要 |
| Against the backdrop of surging computational demand driven by rapid big data technology advancement, this study constructs the conceptual model with knowledge strains as antecedent variable, conceptual knowledge maps, knowledge network cascade failure resilience, and knowledge threads as mediating variables, organisational potency and knowledge barriers as moderating variables, and knowledge learning transfer as outcome variable. Using 427 big data computing enterprises as research subjects, empirical analysis employs the bias correction—non-dynamic nonparametric Bootstrap estimation method based on percentile Target-Bootstrap extraction and concerted synergy for empirical analysis at the static level. At the dynamic level, empirical analysis is conducted using the advanced computer simulation method based on dynamic Multi Agents. The results indicate that knowledge strains exert the significant positive influence on knowledge learning transfer. Conceptual knowledge maps, knowledge network cascading failure resilience, and knowledge threads mediate the relationships between knowledge strains and knowledge learning transfer. Organisational potential positively moderates the relationships between mediating variables and knowledge learning transfer, as well as the mediating variables’ function mechanism between knowledge strains and knowledge learning transfer. Knowledge barriers negatively moderate the aforementioned relationship and function mechanism. This study achieves interdisciplinary integration between biology and management science, enriches research outcomes of knowledge management and provides practical guidance for big data computing enterprises to optimise knowledge learning transfer and enhance innovation capability. |
| 关闭 |
