集群企业社会资本的测量工具

资料来源：孙逸敏，2001。

然而，用Cronbach’sα系数作为信度，有不少局限（参见Lau，1995）。其中最大问题是高信度并不表示测量是单一维度，即一个测量中具有高的α系数，并不一定是测量单一潜变量。因此，不能单依赖Cronbach’sα系数去了解测量工具的维度。可应用验证性因子分析，通过探讨指标的因子结构，了解所测量的潜变量的维度^[3]。

同时，对测量工具的检验，不仅包括信度的检验，还包括效度的检验。

（二）效度（validity）

所谓效度就是正确性程度，即测量工具所能测出其所要测量的特质的程度，测量的是概念定义（conceptual definition）及操作化定义（operational definition）间是否契合。效度越高，即表示测量结果越能显示其所要测量的对象的真正特征。对效度的检验可以保证不同的研究人员对某一研究变量的意义和内涵有一致的理解。

效度是一个多层面的概念，它是相对于特定的研究目的和研究侧面而言的。检验效度必须针对其特定的目的、功能及适用范围，从不同的角度收集各方面的资料分别进行。测量的效度比信度更难达到，因为概念是抽象的，而指标则是具体的观察。测量的效度一般有以下4种。

1.表面效度（face validity）：是指测量结果与人们头脑中的印象或学术界形成的共识之间的吻合程度，如果吻合程度越高，则表面效度越高。是最容易达成及最基本的效度，但由于主观性强，并未被学术界广泛接受。

2.内容效度（content validity）：考察内容效度旨在系统地检查测量内容的适当性，并依据我们对所研究的概念（变量）的了解去鉴别测量内容是否反映了这一概念的基本内容。也即检查由概念到指标的经验推演是否符合逻辑，是否有效。量表内的题项越能代表该概念的主要领域或范围，则其内容效度越好。

3.效标关联效度（criterion-related validity）：又称准则效度，是指测量结果与一些能够精确表示被测概念的标准之间的一致性程度。它是用测量分数与效标分数之间的相关系数来衡量的，进一步减少了由于主观判断失误而产生的偏差，所以它是一种比较实用的效度。根据比较标准与测量结果之间是否在时间上有延迟，又可分为预测效度和同时效度两种类型。

预测效度（predictive validity）：如果效标或准则是依据将来实际发生的情况而建立的，则这种效标效度可称为预测效度。测量结果与效标之间相关程度越高，则预测效度也越高。即检测标准是将来发生的事件或行为，将已经得到的测量结果与未来实际发生的情况进行比较，以检查两者的一致性。

同时效度（concurrent validity）：如果效标是与某种测量方式同时被证明为有效的，则可称之为同时效度。它可以用来判断其他的测量工具是否可以取代作为效标的测量工具。

4.建构效度（construct validity）：又称构念效度，用于了解测量工具是否反映了概念和命题的内部结构。它通常是在理论性研究中使用，由于它是通过与理论假设相比较来检查的，因此也称为理论效度。建构效度又分为两类。

收敛效度（convergent validity）：主要测试以一个变数发展出的多项问项，最后是否会收敛于一个因素中。

辨别效度（discriminant validity）：也称为分歧效度（divergent validity），与收敛效度相反。是指当一个构念的多重指标相收敛或呼应，则这个构念的多重指标也与其相对立之构念的测量指标有负相关。

本研究的效度分析主要是建构效度的检验。

建构效度主要是检验测量所得结果与理论之间的契合程度。因子分析是检验建构效度的常用方法（吴明隆，2003）。因子分析可以帮助我们判断同一变量的不同测量题项之间是否存在较强的相关性，是否比较准确地反映了被测度变量的特性，并合并为几个较少的因子以达到浓缩数据的效果（马庆国，2002）。建构效度以理论的逻辑分析为基础，同时又根据实际所得的资料来检验理论的正确性，是一种相当严谨的效度检验方法，其检验步骤通常包括：（1）根据文献探讨、前人研究结果、实际检验等建立假设性理论建构；（2）根据建构的假设性理论编制适当的测量工具；（3）选择适当的被试者进行施测；（4）以统计检验的实证方法去考查此份测验工具是否能有效解释所欲建构的特质。本次问卷的设计和调查是按照此步骤来进行的，初步检验了建构效度。以因子分析进一步检验建构效度，若能有效提取共同因子，且此共同因子与理论结构的特质较为接近，则可判断测量工具具有建构效度。

本研究对建构效度的检验包括探索性因子分析（Exploratory Factor Analysis，EFA）和验证性因子分析（Confirmatory Factor Analysis，CFA）。

本研究使用SPSS 11.0做探索性因子分析。按照经验判断方法，当KMO值大于或等于0.7，各题项因子负载系数大于0.5时，可以通过因子分析将同一变量的各测试题项合并为一个因子以进行后续分析。

为避免不正确的测量模型导致混淆的结果（Anderson& Gerbing，1988），我们采用Lisrel 8.50做验证性因子分析。通过CFA方法可检验模型与数据之间的拟合程度，从而更有效检验建构效度（黄芳铭，2005）。一般来说，常用的评价和选择模型的拟合指数有以下一些：χ2、df.、RMSEA、CFI、SRMR、IFI、NNFI、GFI等。χ2及其自由度主要用于多个模型的比较。一般认为，如果RMSEA在0.08以下（越小越好），NNFI和CFI在0.9以上（越大越好），所拟合的模型是一个“好”模型（侯杰泰等，2004）。

本研究选取χ2、df.、RMSEA、CFI、NNFI、GFI等指数作为评价模型的拟合指数。

一般的经验判断方法如下：

A.RMSEA：Steiger（1990）认为，RMSEA低于0. 08表示好的拟合；低于0.05表示非常好的拟合；低于0.01表示非常出色的拟合，这种情形应用上几乎碰不到。该值越小越好。侯杰泰认为通常情况下，RMSEA小于0.1也是可以接受的。^[4]

B.CFI：一般认为，CFI≥0.90，模型拟合比较好，越接近1，说明拟合程度越好。

C.NNFI：一般认为，NNFI≥0.90，模型可拟合比较好，越接近1，说明拟合程度越好。

D.χ2/df.：由于χ2值与样本数量的关系很大，样本数越大，χ2越大。为了减少样本对拟合检验的影响，有一个直接与χ2相联系的粗略常规（rough rule of thumb），即如果χ2/df.＜2，则可以认为模型拟合较好。一般来说，2＜χ2/df＜5，模型也是可以接受的（郭志刚，1999）。

二、测量模型的信度和效度分析

（一）外生潜在变量

1.社会资本

社会资本的测量包括三个方面，社会网络、民间聚集和信任。

（1）社会网络的测量有3个题项：频繁程度、亲密程度、互惠程度，三者权重一样。被访者对这些题项进行评价，回答项均为Likert7分态度量表。数据分析过程中，对各填答项赋分，把“联系非常少”到“联系非常多”、“非常不亲密”到“非常亲密”、“互惠非常少”到“互惠非常多”的7 分Likert态度量表（定序变量）分别赋值为1—7分。

在本书中，作者关心的并不是社会网络的单个维度对于资源获取或技术创新绩效的影响，而是整体社会网络对它们的影响，因此把3个测量题项的得分汇总得到每个条目（网络对象）的网络总得分（SN1-SN10）。具体描述性统计见表5-5。

（2）民间聚集的指标共有10个题项：是否参加本地、市级、省级和国家级行业协会，是否在这些协会中任职，是否还参加其他民间组织，参加了几个。后面两道题的回答“否”的比例高达93%，因此该指标被去掉。从理论上来说，参加的行业协会在地理上或行政区划上级别越高，认识的企业越多，获取信息和知识等资源的平台越大，因此，我们赋予每个题项不同的权重。参加本地行业协会、任有职位者分别赋值为1，参加市级行业协会、任有职位者分别赋值为2，参加省级行业、任有职位者分别赋值为3，参加国家级行业协会、任有职位者分别赋值为4。

本书作者并不关注企业是否参加本地、市级、省级、国家级行业协会及是否任职等单种聚集形式对资源获取或技术创新绩效的影响，而是关注企业的整体民间聚集程度对它们的影响，因而把8个题项的得分汇总得到民间聚集程度总得分（GA）。具体描述性统计见表5-6。

（3）信任的测量有4个题项：是否能真诚合作、信守承诺、诚实协商、有损人不利己倾向，四者权重一样。被访者对每个题项进行评价，回答项为从“非常不同意”到“非常同意”的Likert7分态度量表。其中最后1个为反向测量题。在数据分析过程中，对Likert 7分态度量表赋分。对前3个题项的填答项赋分，把“非常不同意”到“非常同意”的7分Likert态度量表（定序变量）分别赋值为1—7分。第4个题项是反向问题，在数据处理过程中，先把第4个题项的答案recode（1=7，2=6，3=5，4=4，5= 3，6=2，7=1），然后再对“非常不同意”到“非常同意”的7分Likert态度量表分别赋值为1—7。

同理，作者关心的不是信任的单个维度对于资源获取或技术创新绩效的影响，而是信任总得分对它们的影响，因此把4个题项的得分汇总得到每个条目的信任总得分（Trust1-Trust10）。具体描述性统计见表5-7。

企业与各联系对象的社会网络得分（表5-5）、企业的民间聚集程度得分（表5-6）、对各联系对象的信任得分（表5-7）的基本描述性分析结果如下：

表5-5：描述性统计——社会网络得分（SN1-SN10）