4.4 研究结果
4.4.1 测量工具的检验：创新绩效
(1)探索性因子分析
首先对被解释变量创新绩效量表进行信度检验，结果如表4.6所示。创新绩效的Cronbach'sα为0.967，远远高于0.7，题项—总分相关系数也都在0.6以上。同时，在各维度内，删除任何题项后的α值都小于0.967，因此删除任何一个题项都不会再提高量表的信度。综上，我们得出该创新绩效的量表可靠性很高。
对信度进行检验之后，我们接着对通过信度检验的创新绩效量表进行探索性因子分析的效度检验。在此之前，我们先进行KMO样本测度和巴特利特球形检验，从而保证探索性因子分析的有效性。结果如表4.7所示，KMO值为0.920，大于0.7。结果显示，巴勒特球体检验的统计值也达到了显著水平，因此适合做探索性因子分析。基于此，我们对创新绩效的5个题项做了探索性因子分析。遵循学者们的通用做法，我们采用的因子抽取方法是主成分法，抽取特征值大于1的因子，因子旋转方法选择最大方差旋转法，最大收敛性迭代次数为25次。最终，创新绩效的探索性因子分析结果如表4.8所示。结果显示，5个题项归为一个因子，该因子解释了总体方差的88.6%，所有因子的载荷都在0.8以上。同时，AVE的值为0.886，大于0.5。因子1包含创新绩效的5个题项，显然这些题项代表了创新绩效的内涵，我们将之称为创新绩效因子。
表4.6 创新绩效量表的信度检验
表4.7 创新绩效量表的KMO和巴特利特球形检验
表4.8 创新绩效量表的主成分探索性因子分析
注：抽取均方差(AVE)等于相应维度因素负荷的平方和的平均值。
(2)验证性因子分析
验证性因子分析能为假设模型提供有意义的检验以及拟合指标(Church and Burke，1994)。验证性因子分析和模型拟合结果如图4.2和表4.9所示。
图4.2 创新绩效验证性因子分析结果
表4.9 创新绩效测度模型拟合结果
(https://www.daowen.com)
注：显著性水平中，***表示p＜0.001。
通过拟合的结果看出，χ2值为10.269(自由度df=5)，χ2/df的结果为2.054，是小于5的;NFI的值为0.993，TLI的值为0.988，CFI的值为0.996，IFI的值为0.996，全部都是大于0.9的。此外，RMSEA的结果为0.058，是小于0.1的。同时，显著性p值的结果显示，各个路径系数都在p＜0.001的水平上通过了显著性检验，这显示了较高的聚合效度。综上，这些指标值都表明模型的拟合效果良好。图4.2的因子结构通过了验证，证明本研究对创新绩效的测度是有效的，图中所标数值是创新绩效的各题项对创新绩效的标准化路径系数。
4.4.2 描述性统计
表4.10给出了本子研究涉及的所有变量的均值、标准差和皮尔逊相关系数。结果显示，研发强度(相关系数为0.335)、研发伙伴组织多样性(相关系数为0.232)、研发伙伴地理多样性(相关系数为0.329)、研发合作经验(相关系数为0.202)与企业创新绩效之间均具有正向且显著的关系(p＜0.01);企业规模(相关系数为0.164)与企业创新绩效之间具有正向且显著的相关关系(p＜0.05)。
4.4.3 层次回归分析
根据本子研究的研究问题，我们采用层次回归分析方法来检验研发伙伴多样性与企业创新绩效之间的关系(J.Cohen and P.Cohen et al.，2013)。我们选用逐步加入控制变量、自变量和调节变量、自变量与调节变量交互项的层次回归模型来分析数据。遵循以往做法，为了避免加入交互项后带来多重共线性的问题，对于连续型的自变量，先进行中心化处理，然后生成交互项并带入回归方程(钱锡红，杨永福，徐万里，2010)。此外，所有回归模型中的最大VIF值都小于10，说明本子研究不存在多重共线性的问题。
研发伙伴多样性影响创新绩效的回归分析结果如表4.11所示。模型1、模型2和模型3的因变量均为创新绩效。其中，模型1的预测变量包括企业年龄、企业规模、国有控股、民营控股、港澳台和外商投资、化学药品制造、中成药制造、研发强度共8个控制变量的回归模型;模型2是在模型1的基础上，加入研发伙伴组织多样性、研发伙伴组织多样性平方、研发伙伴地理多样性、研发伙伴地理多样性平方、研发合作经验的回归模型;模型3是在模型2的基础之上加入研发伙伴组织多样性与研发合作经验的交互项、研发伙伴组织多样性平方与研发合作经验的交互项、研发伙伴地理多样性与研发合作经验的交互项、研发伙伴地理多样性平方与研发合作经验的交互项的回归模型。
表4.11 研发伙伴多样性对创新绩效的影响及研发合作经验的调节作用
续表
注：因变量：创新绩效;表中报告的是标准化回归系数;***表示p＜0.001，**表示p＜0.01，*表示p＜0.05，†表示p＜0.1。
模型1的结果显示，与已有实证研究的结果保持一致，研发强度显著地正向影响创新绩效(β=0.322，p＜0.001)，企业规模显著地正向影响创新绩效(β=0.115，p＜0.1)，民营控股显著地负向影响创新绩效(β=-0.157，p＜0.1)。
由模型2看到，在控制了企业年龄、企业规模、所有制、细分行业等变量之后，研发伙伴组织多样性对创新绩效具有非常显著的正向影响(β=0.635，p＜0.001)，但是研发伙伴组织多样性的平方项对创新绩效也具有非常显著的正向影响(β=0.375，p＜0.01)，这说明研发伙伴组织多样性—创新绩效的正向线性关系得到了证实，而倒U形的曲线关系却未得到证实。因此，假设1得到部分支持。研发伙伴地理多样性对创新绩效具有非常显著的正向影响(β=0.354，p＜0.001)，而研发伙伴地理多样性的平方项并不显著，这说明研发伙伴地理多样性—创新绩效的正向线性关系得到了证实，而倒U形的曲线关系未得到证实。因此，假设2得到部分支持。
模型3的结果显示，研发伙伴组织多样性与研发合作经验的交互项是显著的(β=0.263，p＜0.1)，而研发伙伴组织多样性平方与研发合作经验的交互项并不显著，这说明研发合作经验只对研发伙伴组织多样性与创新绩效之间的正向关系具有显著的调节作用，假设3得到部分支持。结果还显示，研发伙伴地理多样性与研发合作经验的交互项以及研发伙伴地理多样性平方与研发合作经验的交互项对创新绩效的回归系数都为正，但是都不显著，这说明研发合作经验对研发伙伴地理多样性—创新绩效之间的关系没有显著的调节效应(p＞0.1)，因此假设4未得到支持。
