回归分析结果及影响因素分析

（一）回归结果

本文采用最优尺度回归模型（OSR模型）检验所提出的假设。OSR模型是基于最优尺度变换的一类回归模型，专门用来解决分类变量的量化问题。分类变量是说明事物类别的一个名称，其变量值是定性的分类数据，表现为互不相容的类别或属性。最优尺度回归模型的基本思想是基于希望拟合的模型框架，分析分类变量各级别对因变量影响的强弱变化情况，在保证各变量间的联系为线性的条件下，通过一定的方法反复迭代，为原始分类变量找到一个最佳的量化评分，用这个评分代替原始变量进行后续的分析。这样将突破分类变量对分析模型选择的限制，扩大回归分析的应用能力[5]。

运行SPSS21.0软件，得到回归分析结果如表3-4和表3-5所示。表3-4是双元创新平衡性假设的检验结果，模型1为仅包含控制变量的基本模型，模型2在基本模型的基础上增加“知识管理能力”的三个不同维度作为自变量，模型3在模型2的基础上增加“知识管理能力”总体项，分别检验知识管理能力及其不同维度与双元创新平衡性之间的关系；模型4则进一步增加“知识管理能力与技术不确定性的乘积项”，以验证技术不确定性在知识管理能力与双元创新平衡性之间的调节作用。

表3-5是双元创新互补性假设的检验结果，与平衡性检验类似，模型5为基本模型，模型6和模型7分别增加了“知识管理能力”及其三个维度作为自变量；模型8增加“知识获取能力”二次项，以检验知识获取能力与双元创新互补性的非线性关系。模型9验证技术不确定性在知识管理能力与双元创新互补性之间的调节作用。

（二）结果分析

观察回归结果可知，在增加自变量之后，R2均有所提升，说明加入的自变量对模型产生了影响。模型2的回归结果显示，知识获取能力、知识整合能力和知识创造能力均与双元创新平衡性显著正相关（回归结果分别为：β=0.217，p﹤0.01；β=0.204，p﹤0.001；β=0.338，p﹤0.01），假设H1a、H1b、H1c得到支持；模型3中，知识管理能力与双元创新平衡性显著正相关（β=0.291，p﹤0.01），假设H1被支持，这是很显然的，因为它的三个维度均与双元创新平衡性正相关。模型4表明，技术不确定性正向调节知识管理能力与双元创新平衡性之间的关系（β=0.109，p﹤0.001），假设H01获得支持。当市场环境处于技术不确定性时，知识管理能力较强的企业能够开展更多的创新活动，双元创新能够得到更平衡的发展。(www.xing528.com)

模型6的回归结果支持了假设H2b、H2c，显示知识整合能力和知识创造能力均与双元创新互补性性显著正相关（回归结果分别为：β=0.251，p﹤0.01；β=0.411，p﹤0.01）；而模型8则显示，知识获取能力对双元创新互补性有正向影响（β=0.102，p﹤0.01），知识获取能力的平方对双元创新互补性具有显著的负向影响（β=-0.269，p﹤0.001），从而表明知识获取能力与双元创新互补性呈倒U形关系，假设H2a获得数据支持。尽管有一个维度与双元创新互补性呈非线性关系，模型7的结果仍支持假设H2，即知识管理能力与双元创新互补性正相关（β=0.185，p﹤0.001）。模型9验证了假设H02，技术不确定性正向调节知识管理能力与双元创新互补性之间的关系（β=0.208，p﹤0.001）。

表3-4　双元创新平衡性回归结果

注：模型1-4的因变量为“5-突破性创新与渐进性创新差值的绝对值”；★p＜0.05，★★p＜0.01，★★★p＜0.001，括号内数值为t值。

表3-5　双元创新平衡性回归结果

注：模型5-9的因变量为“突破性创新与渐进性创新的乘积”；★p＜0.05，★★p＜0.01，★★★p＜0.001，括号内数值为t值。