协同产品创新是一项知识密集型活动，其参与成员的个体知识能力对产品创新的成功具有重要作用。众多学者提出了一系列个体知识能力的量化方法，如AHP、模糊数学方法、文本语义方法等[31,63,89]。在综合现有研究成果的基础上，为了更加有效、准确地获取成员的个体知识能力，本书根据成员个体掌握知识的不同特性，即显性知识特性与隐性知识特性，将成员的个体知识能力进一步细分归纳为两类：显性知识能力与隐性知识能力。

图3.1　协同产品创新知识网络的成员选择研究框架

1.显性知识能力

显性知识又称明晰知识、外显知识，是指“能够编码和明确表达的知识”。人们可以通过教科书、期刊、专利文献、视听媒体、数据库等方式展示、传播和获取显性知识[234]。基于显性知识的特性，个体的显性知识能力可以通过其发表作品（如本书、报告、专利、专著等）进行评价测量。在实践中，CPIKN的形成与运行往往是项目或任务驱动的。完成一项协同产品新创项目或任务需要一系列必需的知识，记为K={k1 ,k2∙∙∙kα∙∙∙k M}，M为项目或任务所需知识点的数量。本书以产品创新项目所需知识点的关键词检索候选成员的发表作品，然后以检索结果来计量成员的显性知识能力。具体方法如下：对于每一项知识，以其关键词检索并统计候选成员的发表作品数量，并以成员发表作品的数量来度量其显性知识能力值。为了准确反映成员的知识能力，进一步引入价值系数δ和衰退系数DR两个参数来调整显性知识能力值。价值系数δ用来评价成员发表作品的实践或学术价值，其可以通过AHP或专家评价法获取。衰退系数可以由指数函数DR=e-(C-B )/D求得，其中C表示当前年份，B表示作品发表年份，D表示知识的衰退率。

综上，候选成员ip关于知识点kα的显性知识能力可由下式求得：

进一步地，可以得到候选成员ip的总体显性知识能力为：

式中，EKCi 表示候选成员pi的显性知识能力值；EKCiα表示候选成员pi关于知识点kα的显性知识能力值；li表示成员pi关于知识点kα的作品数量；δl表示作品l的价值系数；C表示当前年份；Bl表示作品l的发表年份；Dα表示知识点kα的衰退率。

为确保候选成员的显性知识能力值在[0,1]范围内，使用以下公式对其进行归一化处理：

其中，EKCmax 表示max{EKCi|i＝1,2,∙∙∙,n}。

2.隐性知识能力

隐性知识，又称默会知识，是指“难以被编码和准确表达的知识”。隐性知识主要通过人们之间交流、学习、模仿等潜移默化的方式实现知识表达和转移[170]。隐性知识的特性决定了其难以被直接地监测和度量，对隐性知识能力的评价存在一定的模糊性和不确定性，人们难以直接给出准确的能力数值，而倾向于采用模糊性语言变量进行评价，如“知识能力很好”“能力一般”以及“能力较差”等语言变量。为处理隐性知识能力评价过程中的模糊性和不确定性信息，本书采用Zadeh提出的模糊集理论[235]来评价候选成员的隐性知识能力。对于模糊评价结果的确定，本书考虑由候选成员和企业专家共同对成员在各项属性下的隐性知识能力进行评价，并对评价结果进行综合。由两者共同评价的原因是：① 成员个体对自身在各项属性下的知识能力最为了解，由成员进行自我评价，不仅能够降低组织获取成员个体信息、知识能力时所产生的信息“黏性”的影响，而且相对于收集、获取、转化、量化成员信息和知识能力等一系列工作，由成员直接自我评价能够降低工作的复杂度和工作量。② 相对候选成员而言，企业专家对产品创新项目或任务的知识要求更为清楚，可为候选成员提供必要的信息支持和专业协助，同时有助于避免由候选成员独立主观评价产生的评价结果不合理问题。候选成员隐性知识能力的模糊评价过程具体如下：

1.语言变量的模糊化

考虑到候选成员和企业专家大都采用模糊性语言变量对个体的隐性知识能力进行评价，本书采用三角模糊数方法对评价语言变量进行模糊量化。设一个三角模糊数为M~＝(d L,d M,d R)，其中d L,d M,dR分别表示评价的最小值、中间值及最大值。语言变量和模糊量化值之间的对应关系列于表3.1中。

表3.1　语言变量与三角模糊数之间的对应关系(www.daowen.com)

此外，为了适应相关定量分析问题的要求，语言变量转化的模糊数通常要被映射为一个清晰值。Oprcovic和Tzeng等[236]提出了一种将模糊数转化为清晰值的方法（Converting Fuzzy Data into Crisp Scores，CFCS）。应用此法获得的结果使具有较大隶属度函数的模糊数对应较大的清晰值，且对称的两个三角模糊数映射后的清晰值相同。对于三角模糊数M~＝(d L,d M,d R )，其对应的清晰值M可通过下式计算得到：

其中，L表示min{dL }，R表示max{dR}，Δ表示R -L。

2.隐性知识能力计算

协同产品创新项目或任务所需的知识点集合为K={k1,k2∙∙∙kα∙∙∙k M}，其中kα为第α项知识点；候选成员集合为P ＝{p1 ,p2∙∙∙pi ∙∙∙pn}，其中pi为第i个候选成员；企业专家集合为E={e1,e2 ∙∙∙ek ∙∙∙eT}，其中ek为第k个企业专家。候选成员与企业专家采用语言变量分别对成员在各项属性下的隐性知识能力进行评价，属性集合为S={s1,s2∙∙∙sβ∙∙∙s O}，其中sβ为第β项评价属性。

根据表3.1中语言变量与三角模糊数之间的对应关系，将候选成员与企业专家的在各属性下对知识点kα的语言评价转化为三角模糊数，并其将转化为清晰评价值进行综合，得到候选成员pi关于知识点kα的隐性知识能力值为：

由于成员只对自身的知识能力有深入了解，而对其他成员的知识能力的了解则较少，因此不考虑每个成员对其他成员知识能力的评价。上式中，TKCiα表示候选成员pi关于知识点kα的隐性知识能力值；Miαβ为成员pi在属性sβ下关于知识点kα能力的评价值；Mkiαβ为专家ek在属性sβ下对成员pi关于知识点kα能力的评价值；wC、wE分别为成员与专家在评估过程中的相对重要性，有wC +wE＝1；wsβ表示评价属性的相对重要性大小，有。

进一步地，成员ip的隐性知识能力值可通过以下公式获取：

为确保候选成员的隐性知识能力在[0,1]范围内，使用以下公式对其进行归一化处理：

其中，TKCmax 表示max{TKCi|i＝1,2,∙∙∙,n}。

最后，综合个体的显性知识能力与隐性知识能力，可得出候选成员ip的个体知识能力为：

其中，φ和φ分别为显性知识能力和隐性知识能力的权重值，且有φ+φ＝1。