本文系与 VOX EU合作发表。
是什么使员工具有生产力？越来越多的证据表明，员工的生产力实际上可能具有相当强的传染性。Falk和Ichino（2006）、Mas和Moretti（2009）、Bandiera等人（2010）以及De Grip和Sauermann（2012）的研究均表明，同事之间可以通过企业往往并未明确设立的渠道，对彼此产生具有显著经济意义的影响。
大多数研究者在讨论员工生产力中的同伴效应时所考虑的机制，大致可分为两类：一类是工作场所规范，包括同伴压力和从众行为等机制；另一类是员工互补性，包括知识溢出、协作努力和/或任务专业化等机制。
综合我们对文献的解读，我们得出结论：有充分证据支持如下观点：从事低技能任务的员工之间确实存在有意义的同伴效应，且这些效应主要源于从众行为或同伴压力。另一方面，在教学或研究等高技能任务中，同伴效应的证据并不一致（Jackson and Bruegeman 2009，Waldinger 2012）。高技能员工之间的同伴效应证据通常归因于知识溢出。
资料来源：世界银行
工作场所中的同伴效应：社交网络方法
在近期的一篇论文（Lindquist等人，2015）中，我们借鉴社会网络文献中的新方法，为职场同伴效应的讨论做出了贡献。我们的网络方法使我们能够探讨一系列重要问题，其中包括若干此前未曾被分析过的问题。同事的生产力是否影响员工的生产力？在岗培训带来的生产力提升是否会从受训员工扩散到未受训的同事？同事网络的结构如何促进或阻碍生产力在网络中的扩散？能否识别企业中的关键员工？若能，此类信息如何帮助人事经理在决定培训谁、留用谁等重要事项时作出决策？我们能否利用同事网络信息，帮助企业以更优的方式安排工作时间和团队，或改进其培训计划的设计？
我们使用一家跨国移动网络运营商内部呼叫中心的高质量数据集来研究这些问题，该数据集涵盖两年时间。数据包括员工个人绩效、个人特征、团队归属，以及员工打卡上下班的确切时间等详细信息。借助这些数据，我们可以按周构建同事网络，其中两名员工之间的加权连接表示他们在一周内同属一个团队并共同工作的时长。也就是说，我们非常精确地掌握了某员工一周内接触到的同事以及这种接触的强度。与大多数网络研究不同，我们不将网络稳定部分之外的同伴接触纳入识别范围，因为稳定部分可能容易受到非随机分组和共同冲击的影响。我们表明，在控制团队、周和个体固定效应之后，同事网络看起来是随机的。在此设定下，由于员工流动、公司排班需求的变化，以及员工本人及队友排班的特殊变动，每位员工每周都会获得一份独特且外生变化的同事生产力“剂量”。
我们提出了一个员工生产力的正式模型，该模型同时包含局部平均网络效应和局部总量网络效应。局部平均效应体现了社会工作规范的作用（例如从众行为或同伴压力），而局部总量效应则体现了战略互补性（例如知识溢出）。如上所述，这是通常用来解释员工之间生产力溢出效应的两种主要机制。我们借助该模型指导论文的实证部分，并检验在我们的具体情境中两种机制中哪一种更为相关。该模型还使我们能够识别“关键员工”。关键员工未必是生产力最高的员工，而是一旦被移出网络，就会使总生产力下降幅度最大的员工。因此，他们是对企业而言“至关重要”的员工。
研究发现
我们进行了两项不同的回归实验。我们首先利用外生的网络暴露矩阵，研究同事的生产力对自身生产力的影响。
我们发现，员工生产力中确实存在显著的网络效应。
员工所在同事网络的当前生产力每提高10%，该员工自身的当前生产力便提高1.7%。
我们将这种生产力溢出效应归因于从众行为。
任期较短的员工对其同事网络的工作规范反应尤为强烈。这些估计值与早期研究的结果接近，后者约为1.4%至1.5%（Falk and Ichino 2006，Mas and Moretti 2009；另见Herbst and Mas 2015）。
在第二项回归实验中，我们利用一项现场实验的数据，该实验将员工随机分配至为期一周的在岗培训项目，以分析因在岗培训而产生的员工生产力外生变化，如何影响同事的生产力，包括未受训员工。
我们发现，接触受训员工会提高未受训员工的生产力。
在某员工的同事网络中每增加一名受训同事，该员工自身的生产力便提高0.7%。
我们发现，这一效应是由局部总量效应（即知识溢出）驱动的，而非局部平均效应（即从众行为）。
我们还展示了如何运用员工生产力的网络模型为人事政策提供参考，并提高企业生产力。哪些员工应由企业留用？谁应接受培训？我们比较了在考虑网络效应时的最优政策，与企业不考虑网络效应的替代政策。
例如，设想我们请一位人事经理挑选出她认为公司最应努力留住的10名员工。一种合理的策略是挑选平均生产力最高的10名员工。而我们基于模型的策略则是挑选网络“中心性”平均值（即“相互中心性”）最高的10名员工，也就是模型所界定的关键员工。这类员工的选择取决于员工自身的生产力，以及该员工所产生的网络效应（生产力溢出效应）。由于其自身特征及其在同事网络中的独特位置，每位员工对同事的影响程度各不相同。
这一结果也对班次安排和工作团队的优化设计具有启示意义。“桥梁员工”（即一天之内工作多个班次的员工）发挥着重要作用，因为他们是促进网络效应跨班次扩散的必要纽带。
在挑选出10名关键员工后，我们将他们与人事经理挑选出的、个人生产力最高的10名员工进行了比较。尽管我们的相互中心性指标与个人生产力之间存在较强的相关性（0.78），但同时入选两份名单的员工只有3名。根据我们的模型，失去这10名关键员工所造成的总生产力损失，比仅基于员工个人生产力的简单策略所挑选的10名员工造成的损失高出22%。换言之，我们的10名关键员工对企业的整体价值，远高于个人平均生产力最高的10名员工。这是因为这些特定员工会产生较大的正外部性。
我们还分析了企业应选择谁接受培训的问题，并利用网络方法进行研究。我们表明，企业本可以通过更具战略性地安排培训人选、即考虑每位员工在其所在同事网络中的独特位置，从而提高培训回报。
结语
我们还考察了同事网络结构变化对员工生产力的影响。关于同事网络最优结构的政策结论可概括如下：
我们所研究的企业应扩大团队规模；
它们应招募更多“桥梁”员工；以及
它们应提高每个网络中的平均中介性（即增加员工之间的联系）。
我们的研究表明，员工生产力确实具有传染性。此类网络效应会影响人事经理在日常工作中面临的诸多政策问题的答案。我们希望，社会网络文献能够更有力地拓展至人事经济学领域。鉴于企业通常拥有详细的数据，以及同伴效应在职场中的重要性，我们认为该领域尤其适合采用网络方法和模型。
参考文献
Bandiera, O, I Barankay和I Rasul（2010），“Social incentives in the workplace,”Review of Economic Studies 77, 417-459。
De Grip, A和J Sauermann（2012），“The effects of training on own and co-worker productivity: Evidence from a field experiment,”Economic Journal 122, 376-399。
Herbst, D和A Mas（2015），“Peer effects on worker output in the labouratory generalize to the field,”Science 350, 545-549。
Jackson, C Kirabo和E Bruegmann（2009），“Teaching students and teaching each other: The importance of peer learning for teachers,”American Economic Journal: Applied Economics 1, 85-108。
Lindquist, M、J Sauermann和Y Zenou（2015）“Network Effects on Worker Productivity”，CEPR Discussion Paper No. 10928。
Falk, A和A Ichino（2006），“Clean evidence on peer effects,”Journal of Labor Economics 24, 39-57。
Mas, A和E Moretti（2009），“Peers at work,”American Economic Review 99, 112-145。
Waldinger, F（2012）“Peer effects in science – Evidence from the dismissal of scientists in Nazi Germany,”Review of Economic Studies 79, 838-861。
刊发不代表世界经济论坛认同其观点。
如需及时了解议程动态， 请订阅我们的每周新闻简报。
作者：Matthew Lindquist是斯德哥尔摩大学瑞典社会研究所劳动经济学教授。Jan Sauermann是斯德哥尔摩大学瑞典社会研究所助理教授。Yves Zenou是斯德哥尔摩大学经济学教授，同时也是CEPR研究员。
图片：Facebook员工在该公司位于加利福尼亚州门洛帕克的总部设计工作室工作。REUTERS/Robert Galbraith.
