高管团队无论是旧成员的离开还是新成员的加入都将会给团队对带来很多不确定性因素。虽然任何企业在发展过程中都会面临着这一问题,以往文献也对这一现象做了大量的分析与探讨。但是大部分文献都以浅层面的人口学特征来进行分析,并且得出的结论并不一致。如此的局面让深处困局的公司很难根据自身情况来进行人员调整。基于高阶团队与团队断裂带理论,从高管团队内部的知识结构入手,考察团队内部知识覆盖度,用机器学习的方法对团队成员变动进行研究,有着现实意义,并能够丰富高阶管理理论。首先,由于知识结构具有复杂性和多元性,很难直接根据可获得的二手数据获取高管的知识类别。针对这一问题,为了更加全面和准确的获得高管知识库,选择从高管的个人简历入手。利用LDA主题模型对高管的简历进行主题的抓取,并对有明显含义的主题进行明确的命名。接着,利用直觉模糊集将无明显含义的主题类型归为犹豫集,并利用融合记分函数的直觉模糊集相似度定义计算出团队中两两高管之间的各类知识覆盖度,最后利用求均值的方法将个人知识覆盖度转化成整体的知识覆盖度。其后,在进行回归建模时,选择了准确率与可靠性均较为优越的XGBoost算法。在进行模型构建时,选择将基准模型与知识结构模型进行对比的方式来体现知识覆盖度对成员变动的重要性程度。基准模型是根据高阶团队理论而构建的,包含公司的一些基本特征,如资产负债率、托宾Q值B、高层管理人员持股数量和高层管理人员薪酬总额;知识结构模型在基准模型的基础上加入了技术类知识覆盖度、行政类知识覆盖度、财务类知识覆盖度和管理类知识覆盖度。结果均表明,无论是对成员的入职还是离职,知识结构模型对成员变动的拟合效果均有不同程度的提升。并且财务类知识覆盖度与管理类知识覆盖度对模型的提升较为明显,这说明当财务类与管理类知识达到一定程度的覆盖时,容易引起成员的变动。虽然技术类和行政类知识的重要性排序靠后,但也能够说明当这两类知识覆盖较大时不容易引发团队的变动,这一现象也不容忽视。