1模型构建
这些变量对于整个分析是否有效，就需要通过对调查数据进行信度分析和效度检验。信度分析的最常用方法是Cronbach系数分析法，相应的数学描述如下。而效度检验可以通过KMO效度因子和Bartlett球形效度因子来完成，利用两个因子的数值可以得出效度分析的结论。如果KMO的计算值大于0.7，并且Bartlett球度因子的计算值小于0.05，就证明基本数据是可以使用的。如果本文构建的变量体系和相关统计数据是可用的、有效的，就需要通过相分分析和回归分析等手段检验知识管理、人力资源管理、知识创新、创新绩效之间的关联型。相关分析和回归分析的区别是，相关分析中的各个检验变量地位平等，而回归分析有了变量和因变量的区别。两个变量之间的相关性分析，可以采用Pearson积这样的数学手段，如公式(2)所示。
2实证分析
2.1知识管理和人力资源管理配置分析对于知识管理、人力资源管理、知识创新、绩效创新这4组变量，分别按照表1的问项设置调查问卷，对于每个问项分别设置1.0、2.0、3.0、4.0、5.0的评分等级。为了有效地评价知识管理和人力资源管理的配置协同性问题，本文设计了如下的评价机制。因为知识管理的考核纬度从创新型知识和效用型知识出发，而人力资源管理从提升型管理和补充型管理出发，本文认定根据这4个选项得分情况的一致性来判断知识管理和人力资源管理的协同度问题。在表2中，如果创新型知识、效用型知识、提升型管理、补充型管理的问卷平均得分同时超过4.0，则认为二者配置的协同得分为5.0；如果创新型知识、效用型知识、提升型管理、补充型管理的问卷平均得分有三项同时超过4.0，则认为二者配置的协同得分为4.0；如果创新型知识、效用型知识、提升型管理、补充型管理的问卷平均得分有两者同时小于4.0，则认为二者配置的协同得分为3.0；如果创新型知识、效用型知识、提升型管理、补充型管理的问卷平均得分有三者同时小于4.0，则认为二者配置的协同得分为2.0；如果创新型知识、效用型知识、提升型管理、补充型管理的问卷平均得分同时小于4.0，则认为二者配置的协同得分为1.0。这样，当通过问卷调查获得知识管理、人力资源管理、知识创新、绩效创新的原始数据时，根据表2的评分标准也就可以获得知识管理和人力资源管理协同配置的得分。2.2相关分析获得了一个企业的知识管理和人力资源管理协同配置情况以后，考察其对于企业创新绩效的影响是本文关注的核心内容。因此分别利用相关分析和回归分析，进行后续的实证分析。本文选用公式(2)作为相关分析的数学模型，执行相关分析的结果如表3所示。从表3的相关分析结果可以看出，知识管理和人力资源管理协同配置、管理型绩效创新、技术型绩效创新、创新绩效之间都存在着密切的相关性。其中，知识管理和人力资源管理协同配置和管理型绩效创新的相关系数为0.577，与技术型绩效创新的相关系数为0.601，与创新绩效的相关系数为0.432，并且都是0.01的水平上显著相关。这表明，从相关分析的结果来看，一个企业的知识管理和人力资源管理协同配置情况越好，该企业的创新绩效也就越容易提升。
3结论
本文以知识管理和人力资源管理的协同配置为核心研究内容，通过构建知识管理、人力资源管理、知识创造、创新绩效的结构模型和评估指标体系，完成了知识管理和人力资源管理协同配置的研究，并利用相关分析方法，论证了知识管理和人力资源管理协同对于创新绩效的作用。相关分析的结果都表明，知识管理和人力资源管理协同对于企业创新绩效的提升具有明显的促进作用。
作者：王文吉 丁煌 单位：武汉大学 政治与公共管理学院