胡 锋，赵 红，刘 超

（1.北京工业大学 经济与管理学院，北京 100124；2.中国科学院大学 经济与管理学院，北京 100190）

创新是引领发展的第一动力。2015年9月，国务院公布了关于“大众创业 万众创新”支撑平台指导意见，宣布要加快发展“众创、众筹、众扶、众包”等支撑平台的发展，以创新促进经济结构产业优化，实现经济平稳较快发展。在此背景下，网络创新竞赛作为一种“众创、众包”机制，是实现国家创新发展战略的重要路径之一。创新竞赛包括组织者和参与者。组织者将需要解决的创新问题（或为编程类问题，如编写代码；或为设计类问题，如设计企业标识）通过一定的方式（如借助创新竞赛网络平台）公开发布，并提供相应的竞赛酬金、竞赛时长等相关信息。参与者通过网络检索获知相关竞赛信息后，可自由选择登陆网络平台，在规定的时间内提交候选解决方案。组织者在接收到方案后可对其进行评分、评价，或直接与参与者进行互动沟通，参与者根据收到的反馈意见，改进其想法并提交改进后的方案。当竞赛结束后，组织者依据其对方案的评分，选出获胜方案，并根据公布的奖励规则支付相应的报酬，以此取得获胜方案的知识产权。如今，借助互联网，网络创新竞赛在全球范围内高效对接了组织者的创新需求和参与者的创新供给，日益成为公司企业获取创新的重要来源之一，戴尔、百思买、英国广播公司、宝马以及Adobe等均曾通过创新竞赛获取创新［1］。

学术界对于网络创新竞赛的关注大多集中于如何设置竞赛奖励方案、竞赛时长、反馈机制从而使组织者获取尽可能多的高质量方案（即提升竞赛绩效）。一类研究发现竞赛酬金设置［2-5］、信息反馈［6-8］、创新问题特征［9-10］、创新过程中涉及的知识产权安排［11］等会影响创新绩效。另一类研究聚焦于参与者的资源、智力投入，研究如何管理、激励参与者从而最大化创新绩效［12］。他们发现，参与者排名［13］、参与者个数［14］、参与者知识与技能水平［15-16］、参与者文化属性特征［17-18］、参与者所受的非货币激励［19］、参与者的社会网络结构［20］、参与者之间的共谋行为［21］等均能够影响竞赛绩效。组织者在网络平台上发布的创新竞赛理论上能够吸引、招募全球范围内的参与者为其服务。因此，与传统的R&D组织相比，网络创新竞赛参与者多样性水平更高。参与者的属性特征众多，参与者群组①参加同一个网络创新竞赛的参与者组成一个群组，定义该群组为该创新竞赛的参与者群组，下同。的多样性水平亦可有多种度量方式，如参与者国别多样性、参与者技能种类多样性等。基于传统组织的结构，组织行为学等相关领域的研究发现组织个体的多样性会影响组织的绩效［22-25］。而对于个体多样性水平更高的网络创新竞赛，却鲜有研究关注参与者群组多样性水平对竞赛绩效的影响。尽管基于传统组织结构得到的有关个体多样性的洞察力能够给予如何管理、应对创新竞赛中参与者多样性有益的启发，但是创新竞赛特有的属性会弱化上述借鉴过程的基础和依据。首先，在创新竞赛中，参与者主要通过网络形式进行互动，无法通过直接的交流（如面对面互动）获取社会分类（social categorization）的线索。这种网络中介互动会弱化、移除社会分类的线索［26］，进而降低由社会分类向组内认知偏差（intergroup bias）转化的可能性［27］。因此，在网络创新竞赛中，由参与者多样性引起组内认知偏差从而负向影响竞赛绩效的效应可能会弱化。其次，网络创新竞赛中参与者群组过高的多样性会阻碍参与者之间相互借鉴、相互学习的努力［28-29］。因此，过高的多样性可能会负向影响竞赛绩效。已有研究并未着重考虑网络创新竞赛的特有属性对个体多样性效应适用范围的影响，也并未探索参与者多样性对竞赛绩效可能的非线性效应。

针对已有研究的不足，本文围绕网络创新竞赛参与者之间存在的网络中介互动形式和参与者群组较高的多样性水平2个特征，通过理论推导提出参与者群组多样性水平与竞赛绩效的倒U形关系，并引入高质量方案集中度和组织者评价次数，进而检验这2个变量对于参与者群组多样性水平与竞赛绩效倒U形关系的中介效应。本文运用网络爬虫从国际知名创新竞赛平台CrowdSPRING上收集了8 296个设计类网络创新竞赛的相关数据，计算参与者群组的国别多样性和技能种类多样性，建立最小二乘回归模型和负二项零膨胀回归模型，实证检验上述倒U形关系和中介效应。

1 理论与假设

1.1 个体多样性与绩效

组织行为学等相关研究基于传统组织架构对个性多样性与组织绩效的关系有过充分的探讨，此类研究大致遵循社会分类范式和信息利用范式2类研究范式［28，30-31］。社会分类范式宣称个体多样性会触发组织成员将各自面对的其余成员划分为“组内”个体（与自己的属性特征一致）和“组外”个体（与自己的属性特征不一致）。与组外个体相比，个体通常会偏爱、信任组内个体（“组内偏差”）［32］。这种偏差会阻碍群组作为一个整体对于信息的处理和控制，并最终负向影响组织绩效［33-34］。与之相反，信息利用范式宣称多样化的群组会拥有更为多样化和宽泛的知识、技能储备，群组内个体通过探索、利用上述知识、技能储备可以开发出更具有创新性的方案，故群组多样性会正向影响组织绩效［35-37］。

一方面，在网络创新竞赛中，参与者可以借助网络平台进行互动。已有研究发现，这种网络中介式的互动方式能够移除社会分类的线索［26］，故降低了由社会分类向组内偏差转化的可能性［27］。因此，与在传统组织中个体成员因组内偏差导致低组织绩效相比，网络创新竞赛因其特有的个体之间的互动方式，在创新竞赛参与者之间较不容易产生组内偏差，所以个体多样性负向影响竞赛绩效的因果链条不存在。另一方面，在网络创新竞赛中，参与者可通过提交并相互查看方案的方式探索、利用参与者群组所掌握的知识，故参与者的互动方式并不妨碍信息利用范式的实现。综合上述2个方面可知，多样性对竞赛绩效的负向效应被抑制，但是其正向效应却未受影响，因此，基于上述2个范式，参与者群组多样性应正向影响竞赛绩效。

但是，过高的参与者多样性水平亦会弱化个体理解、利用多样化知识的努力。信息利用范式的核心在于个体对多样化知识的探索和利用，而非多样化知识本身［31］。如果多样化水平过高，参与者之间共同的知识、技能背景将减少，从而导致他们不能很好地了解各自所拥有的知识和对于竞赛问题的理解［28］。有研究发现，群组讨论倾向于忽视那些群组整体未了解的或与群体个体的偏好相违背的信息［29］。实证研究亦发现，随着个体教育多样性水平的提高，个体对信息利用的宽度和深度会先提高，达到某一顶点后再降低［24］。基于上述理论和实证结果，推理如下：当网络创新竞赛中参与者群组的多样性水平高于某一特定值时，参与者之间共同的知识、技能背景将降至能够妨碍相互理解各自知识和意图的境地。此时，参与者在看到其他参与者提交的方案后会发现其他参与者的知识和对于问题的领悟与自已的理解不甚相关。遵循详尽可能性模型（elaboration likelihoodmodel，ELM）的基本原理，个体不会积极地处理、利用与自身行为、意图不甚相关的信息［38-39］。因此，当参与者的多样性水平过高时，参与者因无法利用多样化的知识从而无法开发出高质量的方案，故会负向影响竞赛绩效。

综上，提出如下假设。

H1 在网络创新竞赛中，参与者多样性水平与竞赛绩效呈现倒U形关系。

1.2 “平行路径”与“帮助学习”的中介效应

前文推理论证了参与者的多样性水平与竞赛绩效的非线性关系。根据已有研究，本文提出“平行路径”与“帮助学习”2个概念分别中介多样性对竞赛绩效正向和负向的影响，即“平行路径”与“帮助学习”能够中介参与者多样性水平与竞赛绩效的非线性关系。

因参与者能够利用多样化的知识，其群组多样性正向影响竞赛绩效。对于竞赛问题而言，存在多角度、多样化的解决思路与方法；对于竞赛群组而言，高多样性水平的参与者群组意味着网络创新竞赛拥有一群掌握着多样化知识和技能的参与者。因此，在面临相同的竞赛问题时，相较于低多样性水平的群组，高多样性水平的群组提交高质量的方案的参与者比例更高，即会有更多的“平行路径”通往高质量方案。网络创新竞赛有一类研究将参与者类比为“平行路径”。在获得竞赛问题后，每个投入智力和时间的参与者都是探索高质量方案的“路径”。“路径”越多，解决方案的范围和边界就越容易被探查清楚，参与者发现高质量解决方案的机会就越大（或其找到高质量解决方案的个数就越多）［40-41］。亦有研究将“创新竞赛—参与者”类比为从解决方案质量分布随机抽取样本的过程［41］。参与者越多，意味着样本抽取次数越多，其抽到高质量解决方案的机会也就越大。综上所述，在多样性水平正向影响竞赛绩效的总效应中，有一部分是由于参与者多样性水平增加了通往高质量方案的“路径”。因此，“平行路径”效应能够部分中介多样性水平对竞赛绩效的正向作用。因此，得到如下假设。

H2a 在网络创新竞赛中，“平行路径”效应部分正向中介参与者多样性水平与竞赛绩效间的倒U形关系。

过高的参与者多样性妨碍了参与者相互学习的努力，导致参与者群组多样性负向影响竞赛绩效。在竞赛中，一方面，参与者通过查看、借鉴其他参与者所提交的多样化的竞赛方案以汲取多样化的知识自用；另一方面，组织者通过审视、评价多样化的方案，亦会通过方案评论的方式向参与者分享多样化的知识。参与者之间相互查看、相互学习和组织者对于多样化信息的集成和中介共同促进“帮助学习”效应。基于上述逻辑，推导如下：随着参与者多样性水平的提高，其所提交的方案的差异性亦越来越大，参与者之间越来越难以相互理解和借鉴彼此的方案，组织者亦越来越难以对于差异程度越来越高的问题解决思路进行理解和调和。即参与者越来越难以相互学习，组织者越来越难以帮助参与者相互学习、理解其他参与者的思路。由此，基于信息利用范式，参与者接收到的多样化知识的减少会降低参与者成功开发出高质量方案的可能性，最终负向影响竞赛绩效。因此，“帮助学习”效应能够部分中介多样性水平对竞赛绩效的负向作用。因此，得到如下假设。

H2b 在网络创新竞赛中，“帮助学习”效应部分负向中介参与者多样性水平与竞赛绩效间的倒U形关系。

本研究的概念框架如图1所示。

图1 概念框架Fig.1 Conceptmodel

2 数据与方法

2.1 数据与变量

为了验证上述假设，在创新竞赛在线平台CrowdSPRING上运用网络爬虫技术收集了8 296个设计类网络竞赛的竞赛信息和相关参与者信息，上述网络创新竞赛均为设计企业/产品标识而设，且只奖励一个高质量方案以排除不同设计类别的尺度效应以及不同数量的奖励个数对竞赛绩效的影响。在竞赛过程中，组织者可对方案给予1～5分的评分，分别表示组织者对该项方案从不喜欢到喜欢的程度。最终的获奖方案其评分大多数为5或4。因此，定义竞赛绩效为该竞赛所得到的评分为5或4的方案（即“高质量方案”）的数量（high-quality）。

采用香农H指数（Shannon’sH index）测度多样性［42］，相较于其他测度，该指数运用较为广泛，测度较为灵敏［43］。香农H指数的表达式为其中，pi代表属于第i类参与者的比例，N代表参与者的种类数。参与者的多样性采用参与者国别多样性（nationality）和技能种类多样性（skill）表示。对于国别多样性，定义居住在同一国家的参与者为一类，并以此计算pi；对于技能种类多样性，网络平台提供15个技能标签②此15个标签为“徽标设计”“网站设计”“印刷设计”“插图设计”“包装设计”“移动广告设计”“服装/奢侈品设计”“产品/工业设计”“命名”“品牌标语”“营销印刷品设计”“网页内容设计”“搜索引擎营销设计与优化”“书籍封面设计”以及“商业信函写作”。帮助参与者定义自己的技能列表，定义拥有相同技能列表的参与者为一类，并以此计算pi。

遵循“平行路径”效应的含义，借用测度产业集中度的赫芬达尔—赫希曼指数（Herfindahl-Hirschman Index，HHI）测量高质量方案的集中度［44］。竞赛i的HHI指数表达式为，其中，Ni为竞赛i中参与者个数，Mi为高质量方案个数，mij为第j个参与者开发的高质量方案个数。HHI得分越高，说明高质量方案在参与者之间的分布越不平均，平行路径效应越小。遵循“帮助学习”效应的含义，本研究采用竞赛中参与者收到的组织者和参与者的平均评论数（comment）测度来自于参与者相互学习以及组织者帮助参与者相互学习的努力：该项数值越大，参与者收到的信息越多，说明“帮助学习”效应越大。

除上述关键变量外，引入如下控制变量：提交方案数量（submit）、酬金金额（award）、竞赛时长（duration）、竞赛问题描述性文字长度（brief-length）和易读性（readability）、参与者平均声誉度（ave-reputation）、组织者参与度（participation）、竞赛是否被平台推荐（featured）以及竞赛发生年份。①引入submit是为了控制其他干扰因素对因变量造成的规模效应。②引入award（单位：千美元）是为了控制影响参与者开发意向的经济因素［17］，由于本研究所收集的竞赛其组织者均奖励一个候选方案，故不再引入奖励个数作为控制变量。③参与者在一个耗时较长的竞赛中一般将提交较多的高质量解决方案，因此，引入duration（单位：天）控制时间对被解释变量的尺度效应。④有研究认为网页中字数的长度和易读性是网页复杂度的量度之一［45］，这种复杂度容易被参与者转化为问题本身的难易程度［46］，因此，本文引入brief-length和readability作为控制变量以控制参与者主观感受所引致的动机水平的差异。其中，文字的易读性由Flesch-Reading Ease得分来衡量，该得分高低与文字资料的易读性成反向关联：文字越易读，该得分越高。⑤引入ave-reputation控制来自参与者的异质性。网络平台会依据参与者的历史累积表现给予其一个定量评价，分数越高，说明该参与者资质越高。本文统计了在每一个竞赛中提交方案的参与者的此项得分，并取其平均值作为该竞赛的参与者的平均资质水平。⑥引入participation控制来自组织者反馈的异质性。网络平台会依据组织者在当前竞赛的表现给其一个定量评价，分数越高，说明该组织者在当前竞赛中参与程度较高，能够及时回复参与者的问题。⑦引入featured来控制平台服务引起的异质性。组织者在平台组织一个创新竞赛时，平台会有偿提供推荐服务，用以吸引和鼓励更多组织者加入竞赛。⑧引入平台发生的年份用以控制时间因素带来的异质性。经过统计，本研究所用的8 296个创新竞赛发生时间在2011—2016年。以2011年为基准年，引入5个哑变量（year2012、year2013、year2014、year2015、year2016）分别指示竞赛发生在2012—2016年。

2.2 相关分析和研究方法

表1给出了上述变量的描述性统计结果和相关性矩阵。由表1可知，主要因变量高质量解决方案的方差远大于均值（16.952≫17.52），故存在过度离散问题，因此运用负二项回归代替泊松回归以应对此问题。与此同时，本文还在负二项回归基础上引入零膨胀模型以应对该变量可能存在的零膨胀问题。在零膨胀模型中，用酬金金额、竞赛时长、竞赛问题描述性文字长度解释过多的零值。除此之外，对高质量方案分布集中度和人均评论数进行对数化处理用以纠正其偏态分布。在以上述2个变量为因变量的模型中应用最小二乘回归方法。

表1 变量描述性统计和相关矩阵Tab.1 Descriptive statisticsof the variablesand their correlationmatrix

3 结果与验证

针对国别多样性和技能种类多样性2个测度，分别以如下步骤验证上述2个假设。首先，引入多样性测度线性项和二次项以检验H1；其次，以对数化的高质量方案分布集中度和人均评论数为因变量，检验多样性测度对上述2个变量的影响；再次，引入对数化的高质量方案分布集中度和人均评论数，检验上述2个变量对竞赛绩效的影响，比较引入前后多样性测度线性项和二次项的变化，用以检验H2。分别以参与者国别多样性和技能种类多样性为自变量进行检验。本文采用的是“负二项零膨胀回归模型”，该模型包括两个部分：一部分用“零膨胀模型”解释数据中过多的0，一部分用“负二项回归模型”解释数据的剩余的变异。模型拟合结果如表2和表3所示，通过分析拟合结果得到如下发现。

（1）表2和表3显示过度离散参数ln（alpha）均显著为负，说明过度离散问题确实存在，亦说明采用负二项零膨胀回归拟合以高质量方案为因变量的模型的必要性。

（2）表2和表3中的模型（1）显示国别多样性和技能种类多样性的二次项系数均显著为负，说明上述2个多样性测度与竞赛绩效之间存在“倒U形”关系。据此判断，H1成立。

表2 参与者国别多样性拟合结果Tab.2 Model results forsolvernationality diversity

（3）表2和表3中的模型（2）与模型（4）的结果显示，国别多样性和技能种类多样性均负向影响高质量方案分布集中度测度，高质量方案分布集中度测度负向影响竞赛绩效。由于高质量方案分布集中度测度与“平行路径”效应负相关，上述结果证明了“平行路径”效应中介了国别多样性和技能种类多样性测度对竞赛绩效的正向影响。

（4）表2和表3中的模型（3）与模型（5）显示国别多样性和技能种类多样性均负向影响人均评论数，人均评论数正向影响竞赛绩效。上述结果证明了“帮助学习”效应中介了多样性测度对竞赛绩效的负向影响。

表3 技能种类多样性拟合结果Tab.3 Model results for solver skillprofile diversity

（5）表2和表3中的模型（6）显示，当加入高质量方案分布集中度测度和人均评论数后，国别多样性和技能种类多样性的二次项系数仍显著为负，但与模型（1）相比，其绝对值显著变小，说明上述2个多样性测度与竞赛绩效的非线性关系程度减弱。为方便说明，本文分别绘制了表2和表3中第1列和第6列所指代的非线性关系。在绘制过程中其他变量均设置为其均值点。从图2所示的关系可以看出，控制“平行路径”效应和“帮助学习”效应后，多样性测度和竞赛绩效之间的非线性关系显著减弱。同时，分别基于表2和表3中模型（1）（总效应）和模型（6）（直接效应）的结果估计高质量方案的国别多样性总弹性、直接弹性，以及高质量方案的技能种类多样性总弹性、直接弹性。在计算弹性时，其他变量的取值为样本均值。间接弹性定义为总弹性和直接弹性的差，上述结果如图3所示。从图3可以看出：①高质量方案的国别多样性间接弹性和高质量方案的技能种类多样性间接弹性在多样性水平较低时为正，说明“平行路径”在多样性水平较低时正向中介多样性水平和高质量解决方案之间的非线性关系；②高质量方案的国别多样性间接弹性和高质量方案的技能种类多样性间接弹性在多样性水平较高时为负，说明“帮助学习”在多样性水平较高时负向中介多样性水平和高质量解决方案之间的非线性关系。综合以上发现（3）～（5），可以认为，H2a和H2b成立。

图2 参与者国别多样性、技能种类多样性与竞赛绩效的非线性关系Fig.2 Thenonlinear relationship between nationality and skillprofile diversity ofsolversand contestperformance

图3 高质量方案参与者的多样性弹性：总弹性、直接弹性和间接弹性Fig.3 Solver diversity elasticity ofhigh-quality solutions：total，direct，and indirectelastics

4 总结与展望

研究个体多样性对组织绩效的影响并据此获取管理洞察力，一直是组织行为学关注的中心议题之一。与传统组织不同，网络创新竞赛具有参与者之间采用网络中介互动形式和参与者群组多样性水平较高2个特征，已有的基于传统组织的个体多样性研究得到的结论并不适合网络创新竞赛的情境，而基于网络创新竞赛的研究对上述影响的探讨却鲜有涉及。针对上述研究的不足，本文基于由网络爬虫得到的网络行为数据，系统而全面地探讨了参与者群组多样性对竞赛绩效的非线性影响，以及“平行路径”和“帮助学习”效应对上述非线性影响的中介作用，充分揭示了网络创新竞赛情境下个体多样性对竞赛绩效的影响机制，故本研究具有较强的理论贡献和管理借鉴意义。

4.1 理论贡献

1）本研究揭示的参与者多样性对竞赛绩效的影响机制丰富了创新竞赛绩效的相关研究。参与者在竞赛过程中的行为决定了最终的竞赛绩效，对于参与者自身属性与竞赛绩效之间关系的认识亦是构建竞赛管理策略的关键。已有研究揭示了参与者的个数［9］、参与者的技能水平［15］均能影响竞赛绩效。亦有学者聚焦于参与者自身的国别因素、文化因素等维度，研究了参与者与组织者在上述维度的匹配程度对参与者动机的影响［17］。但是，并未深入研究参与者多样性角度下竞赛绩效的提升机理。本文揭示的参与者多样性对竞赛绩效的影响机理填补了上述研究空白，为竞赛组织者管理参与者群组提供了有效的途径。

2）本研究拓展了基于传统组织架构而得到的用以指导个体多样性研究的社会分类范式和信息利用范式的应用范围。社会分类范式指个体自发的社会分类会导致组内偏差，影响、扭曲群组整体的信息处理过程，进而负向影响组织绩效；信息利用范式指多样性个体因相互学习对方多样性的知识，而提高自身能力，进而正向影响组织绩效［28，30-31］。通过理论推理和数据验证，本研究阐释了网络中介的沟通方式引致社会分类的线索被消除［26］，并非社会分类范式，而是信息利用范式主导网络创新竞赛情境下个体多样性和组织绩效的关系。尽管上述两类范式基于传统组织结构，但是其对于网络创新竞赛研究亦具有很强的理论指导意义。

3）信息处理范式亦蕴含个体多样性对组织绩效的负向影响。信息处理范式预测的个体多样性对组织绩效的正向影响根植于个体对于多样性知识的利用，而非仅仅多样性知识本身［31］。因此，个体运用多样性知识的动机、广度、深度等因素都将调节个体多样性对组织绩效正向影响的程度［28］。当多样性知识过于分散以致直接抑制了个体相互学习的可能性，正如本文所推理并验证的那样，个体多样性会负向影响组织绩效。因此，过度的多样性抑制了组织绩效。

4）本研究发现的多样性和组织绩效之间的非线性关系对于国别多样性和技能种类多样性均成立，揭示了以往依据多样性种类区分多样性效应的研究思路并不成立。已有研究将多样性归为社会统计学变量多样性（如性别、年龄、国别）与信息功能相关多样性（如教育水平、技能），并认为前者负向影响组织绩效，后者正向影响组织绩效［33，47］。正如本研究所揭示的那样，属于社会统计学变量多样性的国别多样性和属于信息功能相关多样性的技能种类多样性对竞赛绩效具有一致的非线性效应，说明以往研究结论可能不够严谨，从侧面印证了基于社会分类范式和信息利用范式推理的科学性。

5）本研究通过探究“平行路径”和“帮助学习”部分中介参与者多样性对竞赛绩效的正负影响机制，进一步揭示了信息利用范式的基本逻辑。“平行路径”和“帮助学习”也为后续管理实践预留了充裕的管理工具，用于借助多样性提升竞赛绩效。

4.2 管理借鉴

本研究为网络创新竞赛平台管理者和竞赛组织者提供了如下管理洞察。首先，参与者多样性与竞赛绩效的倒U形关系预示存在一个最优的多样性水平使得竞赛组织者接收到最多的高质量方案。因此，对于平台管理者来说，设计并向竞赛组织者提供有关参与者多样性测度的信息尤为重要。然而现有平台尚未提供上述信息供组织者主动管理参与者群组的多样性水平。本研究建议竞赛平台加入该部分的测度，以帮助组织者维持一个适宜的多样性水平以最大化竞赛绩效。

其次，“帮助学习”效应揭示了组织者可以帮助参与者理解、整合、利用多样性的知识以开发高质量方案，尤其是当多样性水平很高且超出参与者自身理解能力的时候。因此，本研究建议组织者应该承担起协助参与者利用多样化知识和技能的职责。高质量方案来自于组织者与参与者良好的沟通和协作。

4.3 未来研究

第一，本研究以参与者国别多样性和技能种类多样性为基础，验证了多样性水平与竞赛绩效的非线性关系。未来研究可继续探究其他类型的多样性测度对绩效的影响，以进一步完善现有研究推理的适用性。第二，本研究验证了“平行路径”和“帮助学习”效应中介多样性对于竞赛绩效的影响，但是如表2、表3以及图2、图3所示，上述效应并未完全解释多样性对于竞赛绩效的所有效应，残存的非线性效应预示还有其他因素隐藏其中。后续研究可继续挖掘其他中介因素以充分揭示上述非线性效应。第三，本研究对于“平行路径”和“帮助学习”中介效应的探究显示：在多样性水平较低的情况下，“平行路径”正向中介效应较强，在多样性水平较高的情况下，“帮助学习”负向中介效应较强。后续研究可进一步探讨上述中介效应的其他适用边界：在何种情境下“平行路径”中介作用较强，在何种情境下“帮助学习”中介作用较强，以进一步提炼相关的管理洞察力。最后，本研究基于设计类网络创新竞赛数据而展开。除设计类问题以外，编程类问题亦可通过网络创新竞赛的方式寻找解决方案。但是与设计类问题相比，编程类问题的解决方案空间较小。参与者多样性对编程类竞赛绩效的影响未必与其对设计类竞赛绩效的影响一致。未来研究可探讨参与者多样性对于编程类竞赛绩效的影响，从而明晰本研究所确定的非线性效应成立的边界。