模型检验分析及数据收集处理

3．3　模型检验分析

3．3．1 数据收集及处理

1）数据的来源

由于本书调研的对象主要是针对技术密集型企业，并且部分数据涉及到该公司的核心信息，难以通过公开的途径获取。因此，笔者制作了调查问卷，通过校友通讯录给在各类技术密集型企业任职的校友发送了电子邮件共计250份，得到了校友的支持，收到回复131份，回收率达52．4%；此外，还对就读中国地质大学（武汉）的MBA学生发放纸质和电子的调查问卷共计150份，回收117份，回收率达78%；还通过电子邮件向部分企业投放电子档调查问卷100份，回收13份，回收率为14%。共计投放问卷500份，回收263份，回收率达52．6%，其中有34份问卷由于部分数据缺失作为无效问卷处理，有效问卷229份，有效率达45．8%。

2）企业创新能力的测量

出于数据的原因，大部分学者使用企业所用的专利作为企业创新能力的代表。但在技术密集型企业中，部分专有技术存在于企业员工的知识中，是无法申请专利的，也是无法准确度量的，还有部分技术出于保密的需要，企业也没有申请专利，因此也有学者将企业所拥有的专利和专有技术作为衡量企业创新能力的代表。鉴于此，本章使用企业研发投入作为企业创新能力的测量指标（见附件1）。

3）企业开放度的测量

企业开放度本质上就是企业与外界联系获取企业所需要的资源。学者Laursen和Salter^［133］设计了调查问卷用来衡量开放度对企业创新绩效的影响。Laursen和Salter教授区分了企业开放式创新的广度和深度：其中广度是指企业与外部创新资源合作的种类，外部创新资源包括用户、供应商、竞争对手、非技术相关企业、高等院校、科研机构、技术中介机构、知识产权机构、风险投资机构以及政府机构10类；深度是指企业与每一种外部创新资源合作的次数。笔者借鉴Laursen和Salter教授用来衡量企业开放式创新程度的做法，最后根据相关数据利用主成分分析计算出企业的开放式创新程度（见附件2）。

3．3．2　模型检验

1）信度效度检验原理

（1）信度检验原理

信度（Reliability），顾名思义就是可信程度，它是指运用某一种方法对同一项目进行调查时，问卷调查结果是否具有稳定性和一致性，换句话说，即问卷或量表等测量工具能否稳定地对所测事物或变量进行有效测量。信度指标多以相关系数表示，对信度进行具体评价的方法大致可分为3类：一是等值系数（跨形式的一致性）；二是稳定系数（跨时间的一致性）；三是内在一致性系数（跨项目的一致性）。主要有以下4种检验信度的方法。

①重测信度法

重测信度法，又称再测信度法，反映测验对象跨越时间的稳定性和一致性，即在尽可能相同的情况下，对同样的问卷、同一组访问对象，在不同的时间进行两次调查。重测信度的样本涉及的范围较小，时间间隔一般控制在2～4个星期。根据两次测查所得的分数计算关系系数，进行相关分析或差异的显著性检验，相关程度高，表示前后测量一致性高，稳定性好。由于重测信度法需要对同一样本调查两次，被调查者容易受到外界各种因素的干扰，而且间隔时间长短也有一定限制，因此在实际操作中有一定困难。

②复本信度法

复本信度法是将两份问卷整合成一份问卷（一般而言，这两份问卷的问题数目和内容都是一样的），每一份作为其中的一部分，然后对这两个部分的相关性进行测量比较其结果。在实际调查中，由于内容、难度、格式及其对应题项的提问方向都需要完全一致，很难使问卷达到这种要求，因此较少采用这种方法。

③折半信度法

所谓折半信度法指的是将整个调查项目平均分为两部分，通过分析和计算，得出两半得分的相关系数，在此基础上对整个量表的信度进行测量。从表述上看，折半信度属于内在一致性系数，是对两半题项得分间的一致性进行测量。这种方法一般不在事实式问卷（如年龄与性别无法相比）中使用，常用于有关态度、意见式问卷的信度测量。在问卷调查中，5级李克特（Likert）量表是态度测量中最常见的一种形式。在进行折半信度分析时，如果量表中出现反义题项，则需要将反义题项得分进行逆向处理，即：将分值互换，以保证各题项得分方向的一致性，然后将问卷的全部题项按照一定顺序（按奇偶或前后）尽可能分为相等的两半，以此计算这两部分的相关系数（rhh，即半个量表的信度系数），最后用斯皮尔曼布朗（Spearman Brown）公式ru＝2rhh／（1＋rhh）对整个量表的信度系数（ru）进行测量。

④α信度系数法

α信度系数即Cronbachα信度系数，它是目前最常用的信度系数，人们称之为克朗巴哈信度（Cronbach值），还有人称之为内部一致性系数，系数越大，量表的可信度则越高。那么系数多大该量表才可信呢？一般而言，系数大于0．6说明量表具有一定的可信度，如果系数介于0．8～0．9则说明量表比较好，可信度高。α系数评价的是量表中两部分之间的一致性，即它属于内在的一致性系数。在对量表可信度进行评价的过程中，可以根据统计分析软件给出的分析结果对项目指标进行适当删减。其中，根据考察某一指标删除后一致性系数的变化情况来确定指标是否可以删除，如删除后，信度系数明显变大，则说明该指标删除后对整个指标体系的信度有很大的作用，那么该指标就应删除；此外还可以根据每个项目得分与剩余项目的得分间的相关系数进行判断。一般认为，如该系数低于0．4，说明该指标与其他指标之间存在较低的相关性，应该删除该指标。以上两个系数之间的变化有负相关性，即当相关系数越来越小时，α系数通常会越来越大，那么应当删除对应指标来提高一致性。这种方法对态度、意见式定性问卷的信度分析比较适用。

（2）效度检验原理

效度（Validity）即事物的有效性，它是指运用一定的测量工具或手段能够对所需测量事物测量的准确程度。效度是指所测量得到的结果反映所要考察内容的程度，测量结果与所考察的内容愈吻合，则效度越高；反之，则效度越低。效度一般可以分为3种类型：内容效度、结构效度、准则效度。效度分析方法多种多样，例如，除了上述3种还有构想效度、效标效度等，每种方法得出的测量结果也从不同的角度反映效度。目前主要有3种常用于调查问卷效度分析中。

①内容效度

内容效度又叫逻辑效度，一般也被称为表面效度（Face Validi－ty），指的是测量项目是否适合测量的内容和测量目标，也就是说内容效度是指测量所选择的项目是否看起来合理，能否符合测量所要达到的目的和要求。这种测量方法主要依据调查设计人员的主观判断，测验的效度主要与测验内容有关。评价内容效度的方法，一般将统计分析与逻辑分析进行结合。逻辑分析是指由专家或研究者评判所选题项是否合理，能符合测量所要达到的目的和要求。统计分析主要采用总和与单项分析法进行评价，测算每个题项得分与题项总分的相关系数，然后根据相关系数是否显著来判断问卷的有效性。同样，如果问卷中有反义题项，首先要进行逆向处理才能测算。

②准则效度分析

准则效度（Criterion Validity），又被称为预测效度或效标效度。准则效度是指通过量表所得到的数据和某准则变量（其他被选择的变量）的比值来确定量表是否有意义。根据时间跨度的不同，准则效度分为预测效度和同时效度。准则效度分析是根据已经确定的某种理论，选择一种测量工具或指标作为效标，分析问卷题项与效标的联系，若二者相关显著，或者根据准则的不同取值或特性有显著差异，则该题项有效。一般用差异显著性检验或相关分析评价准则效度。在对调查问卷进行效度分析时，如何选择一个合适的准则变量是最难解决的问题，因此如果没有合适的准则变量，一般在实际操作中不用该方法。

③结构效度分析

结构效度是指测量结果表现出来的某种结构与测值之间的对应程度。结构效度采用因子分析法进行分析。在进行效度分析时，最关心的问题是：量表实际测量的是哪些特征？对结构效度进行测评时，研究人员试图解释量表为什么有效这一理论问题，以及通过这个理论问题能得出什么推论。结构效度包括同质效度、异质效度和语意逻辑效度。有学者认为，因子分析这种测量量表或整个问卷调查的结构效度是效度分析中最有效的方法。因子分析的主要步骤是从量表全部变量（题项）中提取一些公因子，各公因子分别与某一群特定变量高度关联，那么这些公因子就可以反映量表的基本结构。通过因子分析可以考察问卷是否能够反映测量调查者设计问卷时假设的某种结构。因子分析的结果中，主要用积累贡献率、因子负荷和共同度等主要指标评价效度。累计贡献率是用来反映公因子对问卷或量表的累积有效程度，因子负荷衡量原变量与某公因子的相关程度，共同度反映公因子解释原变量的有效程度。(www.xing528.com)

2）信度和效度检验

笔者采用SPSS 17．0，针对企业外部的创新资源，进行简单的描述性统计（表3－3）。

表3－3　企业与外部创新资源的合作

表3－3中的均值反映了企业在创新活动的过程中，各外部创新资源的重要性程度，均值越大，代表了这种创新资源在创新过程中越重要。在表3－3中，用户的均值最大，达到了4．94，在所有的外部创新资源中其均值最大，方差为1．94，重要性最大；在所有的创新资源中，方差相对较小，比较稳定。因此可以认为，用户在企业的创新行为中起着主导性作用。

在简单了解了企业外部创新资源的一般情况后，接下来进行信度检验，如表3－4所示。

从表3－4可知，删除指标后的α值在0．7以上，且问卷的总体α值为0．843，因此认为，测量问卷的一致性程度较高，达到了可以接受的水平。

表3－4　企业开放度信度分析结果表

本部分采用因子分析法进行效度校验，检验的方法一般采用KMO（Kaiser Meyer Olkin）和巴特利特球形检验（Bartlett Test of Sphericity）。KMO的取值在0～1之间，其值越接近于1，说明所有变量之间的简单系数平方和远大于偏相关系数平方和，适合作因子分析；反之，不适合作因子分析。Kaiser给出了几个KMO标准，如表3－5所示。巴特利特球形检验主要是根据相关系数矩阵的行列式得到相关系数，然后对相关系数进行分析，如果KMO值较大，相应的相伴概率值小于用户心中的显著性水平，则拒绝认为相关系数矩阵是单位阵的假设，即原始变量之间存在相关性，适合作因子分析；反之则不适合。

表3－5　Kaiser的KMO标准

在了解有关信度的知识后，结合问卷结果KMO和Bartlett检验，结果如表3－6所示。

表3－6　KMO和Bartlett检验

从以上信度和效度检验可以看出，本项目通过用克朗巴哈信度（Cronbach值）来检测影响因素的信度。通过Cronbach值我们可以看出，本问卷调查所列的影响因素通过了信度检验，说明企业开放式创新对企业创新能力的影响是可信的；在效度检验中，采用KMO检验和Bartlett球体检验，结果表明，通过SPSS 17．0分析软件得出的结果显示，所有的影响因素都通过了KMO检验和Bartlett检验，且所有影响因素共同度都大于0．5，这说明企业开放式创新对企业创新能力的影响是有效的。

3）企业开放式创新与企业创新能力关系分析

首先利用SPSS 17．0软件，分析企业开放式创新与企业创新能力的线性相关系数，即Pearson相关系数（Pearson相关系数标准如表3－7所示），结果如表3－8所示。

表3－7　Pearson相关系数标准

表3－8　企业开放式创新与企业创新能力

从表3－8中可知，企业开放式创新与企业创新能力的Pearson相关系数为0．641，根据Pearson相关系数标准表可以知道这两者之间存在强相关关系，说明两者之间存在着相关关系。接着以企业开放式创新为自变量、创新能力为因变量，结合上面企业开放式创新和企业创新能力的关系的理论分析，在SPSS 17．0中进行非线性回归分析，结果如表3 9所示。

表3－9　回归参数估计表

注：括号中的是显著性概率P值。

从表3－9所示，企业开放式创新与企业创新能力的系数为0．483，显著性概率为0．067，在10%的显著性水平下通过了检验。企业开放式创新的平方与创新能力的系数为－0．232，显著性概率为0．001，通过了1%的显著性水平。由此可知，企业开放式创新与企业创新能力之间是二次曲线的关系：即在企业实行开放式创新程度较小时，企业的创新能力逐渐提高，但随着开放式程度的不断扩大，企业的创新能力达到了拐点后会开始变小，处在向下弯曲的部分，整个曲线呈现典型的“倒U型”，前面的理论分析得到了数据的支持。