5.4 研究结果
5.4.1 测量工具的检验：战略导向
5.4.1.1 探索性因子分析
本子研究首先分别对解释变量市场导向量表和技术导向量表进行信度检验。市场导向量表的信度检验结果如表5.4所示。市场导向的Cronbach'sα为0.935，远远高于0.7，题项—总分相关系数也都在0.7以上。同时，在各维度内，删除任何题项后的α值都小于0.935，因此删除任何一个题项都不会提高量表的信度。综上，我们得出该市场导向的量表可靠性很高。
表5.4 市场导向量表的信度检验
技术导向量表的信度检验结果如表5.5所示。技术导向的Cronbach'sα为0.858，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0.858，因此删除任何一个题项都不会提高量表的信度。综上，我们得出该技术导向的量表可靠性很高。
表5.5 技术导向量表的信度检验
对市场导向量表和技术导向量表的信度进行检验之后，我们继续对经过信度检验的战略导向量表进行探索性因子分析(EFA)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5.6所示，KMO值为0.861，大于0.7。巴特利特球形检验的统计值也达到了显著，因此适合做探索性因子分析。接着，我们对包含10个题项的战略导向量表做探索性因子分析。选择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法输出旋转解，最大收敛性迭代次数为25次。战略导向的探索性因子分析结果如表5.7所示。结果显示，各题项归为两个因子，两个因子解释了总体方差的73.573%，且所有因子的载荷都在0.8以上。同时，因子1的AVE的值为0.749，大于0.5。因子1包含战略导向的6个题项，显然这些题项代表了市场导向的内容，称为市场导向因子。因子2的AVE值为0.696，也大于0.5。因子2包含战略导向的4个题项，它们明显地反映了技术导向的内涵，命名为技术导向因子。
表5.6 战略导向量表的KMO和巴特利特球形检验
表5.7 战略导向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。
5.4.1.2 验证性因子分析
接下来，我们对战略导向量表做验证性因子分析(CFA)，验证性因子分析的结果和模型拟合结果如图5.2和表5.8所示。通过拟合的结果看出，χ2值为124.134(自由度df=34)，χ2/df的结果为3.651，是小于5的;NFI的值为0.919，TLI的 值 为0.901，CFI的 值 为0.939，IFI的 值 为0.940，全部都是大于0.9的。此外，RMSEA的结果为0.092，是小于0.1的。同时，显著性p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，战略导向模型的拟合效果良好。图5.2的因子结构通过了验证，证明本研究对战略导向的测度是有效的，图中所标数值是战略导向各个题项的标准化路径系数。
图5.2 战略导向验证性因子分析结果
表5.8 战略导向测度模型拟合结果
续表
注：显著性水平中，***表示p＜0.001。(https://www.daowen.com)
5.4.2 描述性统计
表5.9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。本子研究涉及的变量包括企业年龄、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、中成药品制造、市场导向、技术导向、研发伙伴组织多样性、研发伙伴地理多样性。结果显示，企业年龄(相关系数为0.182)、化学药品制造(相关系数为0.190)、市场导向(相关系数为0.456)均与研发伙伴组织多样性之间具有正向并且显著的相关关系(p＜0.01)。技术导向(相关系数为0.256)与研发伙伴地理多样性之间具有正向并且显著的相关关系(p＜0.01)，企业年龄(相关系数为0.135)与研发伙伴地理多样性之间具有正向并且显著的相关关系(p＜0.05)。
5.4.3 结构方程建模
为了进一步深入地分析焦点企业的战略导向对其研发伙伴多样性的影响关系，接下来我们将采用结构方程建模的方法来分别检验焦点企业的市场导向和技术导向与研发伙伴组织多样性之间的关系、焦点企业的市场导向和技术导向与研发伙伴地理多样性之间的关系，以便对提出的研究假设进行验证。
5.4.3.1 数据分析与处理
我们首先来检验数据的有效性及其合理性。样本大小方面，从理论上讲，样本容量越大越好。例如，Boomsma(1982)建议样本容量应大于100，最好在200以上。但是对于不同的模型来说，要求是不同的，一般要求N/P＞10，其中N是指样本容量，P是测量项目数。本研究使用的有效样本数为218份，测量项目数量为12个，因此样本数量与测量项目数量的比值约为18∶1，这明显地高于学者们所提出的最低样本容量要求(侯杰泰，温忠麟，程子娟，2004)，这能使结构方程模型分析的结果保持稳定。采用似然法进行结构方程模型估计，一般要求数据要服从正太分布。我们首先对样本数据进行了偏度及峰度的分析，分析结果如表5.10所示，本子研究各变量题项的样本数据全部符合偏度小于2、峰度小于5的要求(Ghiselli and Campbell et al.，1981)，说明数据样本符合正态分布的要求。此外，我们已经在前文部分对样本数据的信度和效度进行了检验。综上，样本容量、效度与信度、分布状态都达到了结构方程建模的要求，可以进行结构方程模型估计。
表5.10 样本数据的峰度和偏度检验
5.4.3.2 战略导向影响研发伙伴多样性的机制研究
(1)初始模型构建
如图5.3所示，初始模型中共包括4个潜变量和12个显变量。除了潜变量和显变量之外，模型中还设置了e1—e12共12个显变量的残差变量。结构方程建模中残差变量的作用是保证模型的验证过程能够成立。因为从调查问卷中得到的数据难免会存在一定程度的误差，若要使得指标值完全地与模型实现匹配是不现实的，引入残差变量可确保概念模型能够得到验证。
此外，由于研发伙伴组织多样性和研发伙伴地理多样性都是单指标潜变量，不能同时估计因子与指标的因子负荷，以及指标的误差方差，这种情况下，假设误差与指标之间是零相关(侯杰泰，温忠麟，程子娟，2004)。然后，本研究将验证模型中设定的四条影响路径。
图5.3 基于概念模型的初始结构方程模型
(2)模型拟合与修正
在AMOS 18.0软件中绘制的基于概念模型的初始结构方程模型如图5.3所示，我们将数据导入之后进行拟合，战略导向影响研发伙伴多样性的初始结构方程模型的拟合结果如表5.11所示。模型拟合的结果表明，初始模型拟合的χ2的数值为150.963(自由度df=52)，计算得出χ2/df的数值是2.903，小于3;其中，RMSEA的结果值为0.078，是小于0.1的;NFI的数值为0.909，TLI的数值为0.906，CFI的数值为0.937，IFI的数值是0.938，它们都高于0.9。综上可得，我们可以从绝对拟合指数χ2/df，近似误差均方根RMSEA、NFI、TLI、CFI以及IFI的结果来看，本研究的模型处于可接受范围，模型拟合的良好。此外，除了组织多样性←技术导向这条路径系数的临界比值为-1.862，临界比值的绝对值小于1.96之外。模型中的其他三条路径系数的临界比值均已达到大于1.96的要求，并具有显著意义。从本研究的各项评判指标来看，对模型的拟合结果通过检验，因此模型得到确认。
表5.11 战略导向影响研发伙伴多样性的初始结构方程模型拟合结果
注：显著性水平中，***表示p＜0.001。
本子研究中，通过数据计算以及检验所产生的最终结构模型如图5.4所示。我们模型中的变量之间共有四条路径，这四条路径的标准化回归系数均达到显著性水平，具体而言：“组织多样性←市场导向”路径的标准化路径系数为0.449，在0.001的水平上达到显著;“地理多样性←技术导向”路径的标准化路径系数为0.192，在0.01的水平上达到显著。这两条路径的标准化路径系数值均为正数，这表明这两条路径表示的变量之间都具有正向影响关系。换言之，市场导向正向影响研发伙伴组织多样性、技术导向正向影响研发伙伴地理多样性。因此假设5和假设8得到验证。“地理多样性←市场导向”路径的标准化路径系数为-0.419，在0.001的水平上达到显著。该路径的标准化路径系数值为负数，说明这条路径代表的变量之间具有负向影响关系，即市场导向负向影响研发伙伴地理多样性，因此假设7得到验证。最后，“组织多样性←技术导向”这条路径的标准化路径系数值为-0.122，显著性概率值p=0.063＜0.1，说明在0.1的水平上达到显著。标准化路径系数为负数，表明技术导向在p＜0.1的水平上负向影响研发伙伴组织多样性。这与我们所提出的假设6相反(假设6：技术导向正向影响研发伙伴组织多样性)，因此假设6未得到验证。随后，我们将在讨论部分来解释出现该结果的原因。
图5.4 战略导向影响研发伙伴多样性的最终结构模型
注：图中标注的是标准化路径系数;***表示p＜0.001，**表示p＜0.01，*表示p＜0.05，†表示p＜0.1。
