表5-6：描述性统计——民间聚集得分（Gather）
表5-7：描述性统计——信任得分（Trust1-Trust10）
根据理论模型，问卷中社会资本的因子共7个：群内生产网络（SN1-SN3）、群外生产网络（SN4-SN6）、支持网络（SN7-SN10）、民间聚集、群内生产网络的信任（T1-T3）、群外生产网络的信任（T4-T6）、支持网络的信任（T7-T10）。（按照变量顺序，理论模型的因子结构为3341334。）
从理论上来看，社会资本是作为一个大的外生潜在变量来进行分析的，社会资本中的因子结构划分是否合理，因子之间的关系又是如何，这些都是有待于我们去分析和检验的。因此在分析这一外生变量时，我们没有进行每个因子的分析，而是把所有题项一并放入以进行探索性因子分析和验证性因子分析，以验证理论模型和寻找最合适的因子结构进入结构方程模型。（SN1-SN10，Gather，Trust1-Trust10共21个题项的得分。）
对于社会资本各题项的信度和效度分析以及测量模型的分析和比较，作者主要是从以下几个步骤去进行的。
数据导向的分析
步骤A.首先对“社会资本”的21个题项进行了探索性因子分析，以评鉴量表的面向性。通过SPSS 11.0的主成分分析，得到了6个λ>1的面向值，正交旋转后，这6个因子总共解释了76.028%的方差。
步骤B.从理论上来考虑，社会资本有7个因子，而且在上一步的因子分析结构中第7个因子特征根达0.844。选取主成分分析，限定抽取7个因子，正交旋转后，7个因子总共解释了80.045%的方差。但此时，第7个因子上只有T6（对外地同行的信任）一个题项，在理论上得不到解释，因而去除题项T6。另外，我们在正式访谈和问卷调查中发现，集群内企业与集群外的同行联系比较少，亲密程度和互惠程度比较低，即网络得分比较低（SN6：与外地同行的网络）。在探索性因子结构中，我们发现T6在第3个因子和第7个因子间的负载差别不大。因此，结合数据和实际的考虑，去除SN6和T6进入分析。
表5-8：探索性因子分析——社会资本（步骤A、B、C）
说明：*是指没有进入因子分析。
SN1：与本地供应商的联系，SN2：与本地客户的联系，SN3：与本地同行的联系，SN4：与外地供应商的联系，SN5：与外地客户的联系，SN6：与外地同行的联系，SN7：与金融机构的联系，SN8：与政府相关部门的联系，SN9：与行业协会的联系，SN10：与大学等的联系，T1：对本地供应商的信任，T2：对本地客户的信任，T3：对本地同行的信任，T4：对外地供应商的信任，T5：对外地客户的信任，T6：对外地同行的信任，T7：对金融机构的信任，T8：对政府相关部门的信任，T9：对行业协会的信任，T10：对大学等的信任。
步骤C.去除SN6和T6后，重新做因子分析。选取主成分分析，限定抽取7个因子，正交旋转后，7个因子总共解释了82.296%的方差。
步骤D.根据步骤C的因子结构用LISREL作验证性因子分析，模型拟合指数如下：χ2=393.08，df.=132，χ2/df.= 2.978，RMSEA=0.141，NNFI=0.672，CFI=0.747。从指标上来看，模型拟合程度不是很好。因为SPSS中因子分析中正交旋转方法限定因子间不相关，而Lisrel是允许因子间相关的。所以我们利用Lisrel作证实性因子分析，以比较不同因子结构的优劣（此因子结构称之为SCM1，见图5-1）。
图5-1：测量模型——社会资本模型1（SCM 1）
说明：ICPN：群内生产网络，OCPN：群外生产网络，SUN：支持网络，GATHER：民间聚集，ICPN’T：对群内生产网络的信任，OCPN’T：对群外生产网络的信任，SUN’T：对支持网络的信任，SN1：与本地供应商的联系，SN2：与本地客户的联系，SN3：与本地同行的联系，SN4：与外地供应商的联系，SN5：与外地客户的联系，SN7：与金融机构的联系，SN8：与政府相关部门的联系，SN9：与行业协会的联系，SN10：与大学等的联系，T1：对本地供应商的信任，T2：对本地客户的信任，T3：对本地同行的信任，T4：对外地供应商的信任，T5：对外地客户的信任，T7：对金融机构的信任，T8：对政府相关部门的信任，T9：对行业协会的信任，T10：对大学等的信任。
理论导向的分析
步骤E、根据前文所提到的理论模型，做21个题项的7因子的验证性因子分析，模型拟合指数如下：χ2=509.342，df.=169，χ2/df.= 3.014，RMSEA=0.143，NNFI= 0.621，CFI= 0.695。从各项指标来看，模型拟合程度比较差。（该因子结构称为SCM2，见图5-2）在该模型中，SN6在第二个因子中的路径是不显著的，在一定程度上也证明了去除SN6的可行性。
图5-2：测量模型——社会资本模型2（SCM 2）
说明：ICPN：群内生产网络，OCPN：群外生产网络，SUN：支持网络，GATHER：民间聚集，ICPN’T：对群内生产网络的信任，OCPN’T：对群外生产网络的信任，SUN’T：对支持网络的信任，SN1：与本地供应商的联系，SN2：与本地客户的联系，SN3：与本地同行的联系，SN4：与外地供应商的联系，SN5：与外地客户的联系，SN6：与外地同行的联系，SN7：与金融机构的联系，SN8：与政府相关部门的联系，SN9：与行业协会的联系，SN10：与大学等的联系，T1：对本地供应商的信任，T2：对本地客户的信任，T3：对本地同行的信任，T4：对外地供应商的信任，T5：对外地客户的信任，T6：对外地同行企业的信任，T7：对金融机构的信任，T8：对政府相关部门的信任，T9：对行业协会的信任，T10：对大学等的信任。
理论与数据相结合的分析
步骤F.结合E步骤和B步骤的结果（去除SN6和T6两个题项）作7因子的验证性因子分析。模型拟合指数如下：χ2=397.740，df.=132，χ2/ df.= 3.013，RMSEA=0.135，NNFI= 0.691，CFI= 0.762。从指标上来看，模型拟合程度优于步骤D的结果M1，但总体来说还不够理想（此因子结构称为SCM3，见图5-3）。
图5-3：测量模型——社会资本模型3（SCM 3）
说明：ICPN：群内生产网络，OCPN：群外生产网络，SUN：支持网络，GATHER：民间聚集，ICPN’T：对群内生产网络的信任，OCPN’T：对群外生产网络的信任，SUN’T：对支持网络的信任，SN1：与本地供应商的联系，SN2：与本地客户的联系，SN3：与本地同行的联系，SN4：与外地供应商的联系，SN5：与外地客户的联系，SN7：与金融机构的联系，SN8：与政府相关部门的联系，SN9：与行业协会的联系，SN10：与大学等的联系，T1：对本地供应商的信任，T2：对本地客户的信任，T3：对本地同行的信任，T4：对外地供应商的信任，T5：对外地客户的信任，T7：对金融机构的信任，T8：对政府相关部门的信任，T9：对行业协会的信任，T10：对大学等的信任。
步骤G.结合F步骤和C步骤中信任的9个题项分列在4个因子的结构模型，按题项顺序，设定因子结构模型为“32413222”（该因子结构称为SCM4-1，见图5-4-1）作验证性因子分析。模型拟合指数如下：χ2=335.585，df.=125，χ2/df.= 2.685，RMSEA= 0.130，NNFI= 0.729，CFI= 0.802。从指标上来看，模型拟合程度又优于步骤E的结果。
对8因子作二阶验证性因子分析，得到模型SCM4-2（见图5-4-2）。该模型拟合指数如下：χ2=383.905，df.=142，χ2/df.= 2.704，RMSEA= 0.131，NNFI= 0.701，CFI= 0.751。
图5-4-1：测量模型——社会资本模型4-1（SCM4-1，1order）
说明：ICPN：群内生产网络，OCPN：群外生产网络，SUN：支持网络，GATHER：民间聚集，ICPN’T：对群内生产网络的信任，OCPN’T：对群外生产网络的信任，SUN’T：对支持网络的信任，SN1：与本地供应商的联系，SN2：与本地客户的联系，SN3：与本地同行的联系，SN4：与外地供应商的联系，SN5：与外地客户的联系，SN7：与金融机构的联系，SN8：与政府相关部门的联系，SN9：与行业协会的联系，SN10：与大学等的联系，T1：对本地供应商的信任，T2：对本地客户的信任，T3：对本地同行的信任，T4：对外地供应商的信任，T5：对外地客户的信任，T7：对金融机构的信任，T8：对政府相关部门的信任，T9：对行业协会的信任，T10：对大学等的信任。
图5-4-2：测量模型——社会资本模型4-2（SCM4-2，2order）
说明：ICPN：群内生产网络，OCPN：群外生产网络，SUN：支持网络，GATHER：民间聚集，ICPN’T：对群内生产网络的信任，OCPN’T：对群外生产网络的信任，SUN’T：对支持网络的信任，SN1：与本地供应商的联系，SN2：与本地客户的联系，SN3：与本地同行的联系，SN4：与外地供应商的联系，SN5：与外地客户的联系，SN7：与金融机构的联系，SN8：与政府相关部门的联系，SN9：与行业协会的联系，SN10：与大学等的联系，T1：对本地供应商的信任，T2：对本地客户的信任，T3：对本地同行的信任，T4：对外地供应商的信任，T5：对外地客户的信任，T7：对金融机构的信任，T8：对政府相关部门的信任，T9：对行业协会的信任，T10：对大学等的信任，ICP：群内生产网络及其信任，OCP：群外生产网络及其信任，SU：民间聚集、支持网络及其信任
虽然二阶CFA的拟合程度不如一阶CFA，但结合以上所有步骤的结果仍可以给我们一些参考意义。
（1）从数据本身出发做EFA，群内生产网络和群内生产网络的信任始终在一个因子内，说明二者相关程度很高。群内网络得分越高，信任越多；有网络就有信任，网络和信任是相互影响的。
（2）从数据本身出发做EFA，群外生产网络和群外生产网络的信任是分离的，虽然和理论模型设想一致，但也在一定意义上说明了，群外生产网络之间即使有联系，也不一定有信任。通过F步骤的二阶因子分析，尽管群外生产网络与其信任聚集在了一个因子，但二者之间的斜方差为0.487，远远小于群内生产网络与其信任之间的斜方差0.715，这说明群外生产网络与其信任的相关程度远远低于群内生产网络与其信任相关程度。
（3）EFA结果中，支持网络和支持网络的信任也是分离的。而且支持网络的信任中四个题项也是分离的。（T7-T8、T9-T10）
（4）在二阶CFA结果中发现，第一个因子（群内生产网络及其信任因子）与第三个因子（支持网络及其信任因子）显著负相关，相关系数为-0.33；第二个因子（群外生产网络及其信任因子）与第三个因子间也是显著负相关，相关系数为-0.72。这在一定程度上可以推测，企业从“群内生产网络”或“群外生产网络”获取资源的可能性越高，从“支持网络”获取资源的可能性就越低。在一定意义上来说，对于企业获取资源，前后二者的网络形态是互补的。
社会资本最终测量模型的确立
步骤H.由于步骤F、G的因子结构（SCM3和SCM4）拟合指标都不是很理想，结合理论模型和数据，以及作者在实地访谈和调查中获取的信息，调整进入因子结构中的题项。问卷中，本地是指产业集群在行政区域上的所在地，即牛仔服装产业集群所在地——中山市大涌镇。
作者在实地访谈和调查中发现，很多企业的客户不在大涌本地，大部分的企业与大学机构基本上不发生联系。这些题项对这次调查的样本企业来说意义不大，因而在因子分析中剔除SN2（与本地客户的网络）和SN10（与大学科研机构的网络）。关于集群企业对这两个网络主体的信任，由于接触少，或者几乎不接触，评价也带有很大的主观性，尤其是T10，很多被访企业在T10的各个分题项中都选取“4”这一中间分数，不愿意去做任何评价。因而也剔除T2（对本地客户的信任）和T10（对大学科研机构的信任）。如此，在去除SN2、SN6、SN10、T2、T6和T10 等6个题项后，其余15个题项分为7个因子进行EFA分析。模型拟合指数如下：χ2=179.918，df.=70，χ2/df.= 2.570，RMSEA=0.119，NNFI= 0.766，CFI= 0.844。根据理论模型和数据调整，这一因子划分结构的各拟合指标相对来说是比较好的，因而以这一因子结构进入最终的结构方程模型。（此因子结构为SCM5，详见图5-5）
图5-5：测量模型——社会资本模型5（SCM5）
说明：ICPN：群内生产网络，OCPN：群外生产网络，SUN：支持网络，GATHER：民间聚集，ICPN’T：对群内生产网络的信任，OCPN’T：对群外生产网络的信任，SUN’T：对支持网络的信任，SN1：与本地供应商的联系，SN3：与本地同行的联系，SN4：与外地供应商的联系，SN5：与外地客户的联系，SN7：与金融机构的联系，SN8：与政府相关部门的联系，SN9：与行业协会的联系，T1：对本地供应商的信任，T3：对本地同行的信任，T4：对外地供应商的信任，T5：对外地客户的信任，T7：对金融机构的信任，T8：对政府相关部门的信任，T9：对行业协会的信任
表5-9：验证性因子分析各模型拟合指数表——社会资本（M1—M5）
表5-10：社会资本最终模型各题项的Cronbach’sα系数和CFA结果
续表
2.企业规模
用员工人数测量。
3.内销产品比
被访企业都是纺织服装行业，主要是牛仔服装。许多企业的产品都远销国外，也接受国外客户的订单。作者在访谈中发现：一般来说，接受外单的生产任务许多是根据来图（来样）加工，少量会需要生产商提供服装设计、图片修改或创新；而产品内销的企业，很多是自己设计产品，紧跟市场或引领市场潮流。因此，引入“内销产品比”指标，看是否会对企业的吸收能力或技术创新绩效有影响。其描述性统计见表5-11。
表5-11：描述性统计——内销产品比
（二）内生潜在变量
1.资源获取
根据文献回顾，我们对资源获取的测量包括10个题项（RA1-RA10），请被访者回答对获取各项资源时是否有优势，回答项为从“完全没有优势”到“很有优势”的Likert7分量表。在数据分析过程中，首先把“完全没有优势”到“很有优势”Likert 7分量表中的选项分别赋值为1—7分。各题项得分的基本描述性统计分析结果如下（见表5-12）：
表5-12：描述性统计——资源获取
对“资源获取”各题项的信度和效度分析，以及测量模型的评价和比较分析包括以下几个步骤：
数据导向的分析
步骤A.首先对“资源获取”的各测量题项进行了探索性因子分析（EFA），以评鉴量表的面向性。通过SPSS 11.0的主成分分析，得到了2 个λ>1的面向值，正交旋转后，这2个因子共解释了61.395%的方差。
步骤B.根据前文的理论假设，问卷设计中的资源包括“信息”（RA1-RA3）、“知识”（RA4-RA5）、“资金”（RA6-RA8）和“人才”（RA9-RA10）四个方面。因此限定抽取4个因子，主成分分析方法，正交旋转后，4个因子总共解释了79.676%的方差。从结果中发现，第4个因子中只有一个题项RA5（能及时获取经营管理知识）。RA5单独成为一个因子，没有多大的理论意义，故剔除题项RA5。
步骤C.对剩余的9个题项进行探索性因子分析，主成分分析方法，得到2个λ>1的面向值，正交旋转后，这两个因子总共解释了64.128%的方差。但从因子负载中发现，题项RA9（能获取技术创新人员）在两个因子上的负载只差0.001，说明此题项在样本数据测量上没有差异性，因此剔除题项RA9。
步骤D.在C的基础上，对除RA5和RA9之外的8个题项进入EFA因子分析，主成分分析方法，得到两个λ>1的面向值，正交旋转后，这两个因子总共解释了68.324%的方差（不同步骤下的探索性因子分析的因子负载值详见表5-13）。
为进一步检查量表的效度和信度，同时比较哪个因子结构的模型更好，与理论模型的拟合程度更高，本研究使用lisrel 8.50结构方程统计软件对“资源获取”的测量模型进行了验证性因子分析。
表5-13：探索性因子分析——社会资本（步骤A、B、C、D）
注：*指没有进入因子分析。TVE是指经正交旋转后，因子结构所能解释的总体方差。
理论导向的分析
步骤E.根据理论模型设想，对所有题项（RA1-RA10）进行四因子的证实性因子分析，得到的模型拟合指数如下：χ2=111.175，df.=29，χ2/df.= 3.834，RMSEA=0.169，NNFI= 0.736，CFI= 0.830。各项指数都不理想，说明理论模型的因子划分结构与数据结果的拟合程度不高（此因子结构称为RAM1，详见图5-6）。
图5-6：测量模型——资源获取模型1（RAM1）
备注：RA1：市场需求信息 RA2：政策信息 RA3：市场供应信息
RA4：生产技术知识 RA5：经营管理知识 RA6：政策优惠或创新补贴
RA7：金融机构贷款 RA8：民间渠道贷款 RA9：技术人员
RA10：经营管理人员
数据与理论相结合的分析
步骤F.根据步骤D的因子结构，对除RA5和RA9之外的8个题项进行二因子的验证性因子分析，得到的模型拟合指数如下：χ2=78.954，df.=19，χ2/df.= 4.155，RMSEA=0.170，NNFI= 0.767，CFI= 0.842。各项拟合指数略优于M1中的指数，但RMSEA=0.170仍旧很高，各项拟合指数也没有一项达到一般经验值，说明此模型拟合程度不怎么好（此因子结构称为RAM2，详见图5-7）。
图5-7：测量模型——资源获取模型2（RAM 2）
备注：RA1：市场需求信息 RA2：政策信息 RA3：市场供应信息
RA4：生产技术知识 RA5：经营管理知识 RA6：政策优惠或创新补贴
RA7：金融机构贷款 RA8：民间渠道贷款 RA9：技术人员
RA10：经营管理人员 KSI1：第1个因子 KSI2：第2个因子
最终测量模型的确定
步骤G.RAM2的因子结构中，RA1（能及时获取市场需求信息）、RA3（能及时获取市场供应信息）、RA4（能及时获取研发所需的生产技术知识）和R10（能获取有创新意识和精神的企业管理人员）在一个因子上，分别涵盖了信息、知识和人才。我们发现这些资源还可以用一个概念“软资源”来囊括它们。而第二个因子中4个题项分别为RA2（能及时获取相关政策信息）、RA6（能获取政府的政策优惠或创新补贴）、RA7（能获取金融机构的贷款）和RA8（能获取民间渠道的贷款），后3个题项在最初的理论模型设想中是在“资金”因子上的，RA2与后三者同处一个因子在理论上比较难解释。而且RAM2的各项拟合指数均不太理想，我们还需要修改和调整模型中的因子结构。经过多次调整，我们发现仅剔除RA2的模型（称为RAM3，详见图5-8）从数据上来说各项拟合指数还可以接受，从理论上来看也符合理论解释，一个因子为“软资源”，一个因子为“硬资源”。因此，我们选取该因子结构进入下一步的结构方程模型分析。此模型的拟合指数如下：χ2(df.)=33.35(13)，χ2/df.= 2.565，RMSEA=0.126，NNFI= 0.877（接近0.9），CFI= 0.924，虽然RMSEA有些高，但其他指数还比较理想，模型仍是可以接受的（3个模型的拟合指数比较见表5-14）。软资源（RA1、RA3、RA4、RA10）因子的Cronbach’s值为0.782，硬资源因子（RA6、RA7、RA8）的Cronbach’s值为0.855，系数值都大于0.7，说明因子的一致性程度比较好（详见表5-15）。
图5-8：测量模型——资源获取模型3（RAM3）
备注：RA1：市场需求信息 RA2：政策信息 RA3：市场供应信息
RA4：生产技术知识 RA5：经营管理知识 RA6：政策优惠或创新补贴
RA7：金融机构贷款 RA8：民间渠道贷款 RA9：技术人员
RA10：经营管理人员
从形态上划分，企业资源可以划分为硬资源、软资源两部分。硬资源是指客观存在的，在一定的技术、经济和社会条件下能被用来从事生产和社会活动并能形成产品和服务的有形物质，包括厂房、设备、土地、资金等。软资源是指知识资源、科技资源、信息资源等以人类的智能为基础的资源。前者一般是耗费性资源，越用越少，后者则是增长性资源，可以反复长期使用而且越用越多，资源使用的过程也是资源再生产的过程。对于企业的技术创新来说，资金是硬资源，信息、人才、知识是软资源。
从一般意义上说，软资源对硬资源的开发和利用具有重要的决定性作用，这个作用的结果又反馈于整个资源系统。硬资源是被动的，软资源是主动的，人们往往利用软资源来开发和利用硬资源。软硬资源的这个关系在知识经济时代表现得更加明显。工业经济时代，对企业发展起决定作用的战略性资源为硬资源即传统的自然资源和财务资源，而知识经济则将战略性资源转移到知识、信息及其创新能力上来，软资源或知识资源成为企业生存和发展的首位资源。据西方学者测算，20世纪初知识资源对经济增长的贡献仅为5%~20%，如今已达60%~80%[5]。
表5-14：验证性因子分析各模型拟合指数表——资源获取（RAM1-RAM3）
表5-15：资源获取最终模型各题项的Cronbach’sα系数和CFA结果
续表
2.吸收能力
（1）吸收能力—客观指标
客观指标部分包括资金投入——研发投入占销售额的百分比，以及技术人员——研发人员占总员工数的百分比。两个指标的基本描述性统计分析结果如下（详见表5-16）：
表5-16：描述性统计——吸收能力客观指标
（2）吸收能力—主观指标
根据文献回顾，吸收能力的主观指标用了7个题项测量。被访者对企业的吸收能力各题项（AC1—AC7共7个题项）进行评价，回答项为从“非常不同意”到“非常同意”的Likert 7分态度量表。在数据分析过程中，首先把“非常不同意”到“非常同意”Likert 7分量表上的选项分别赋值为1—7分。各题项得分的基本描述统计分析结果如下（表5-17）：
表5-17：描述性统计——吸收能力主观指标
对吸收能力主观指标7个题项的信度和效度分析、测量模型的分析和比较包括以下几个步骤：
探索性因子分析
步骤A.对“吸收能力”各测量题项进行了探索性因子分析（EFA），以评鉴量表的面向性。通过SPSS 11.0的主成分分析，得到了1个λ>1的面向值，经正交旋转后，可解释的方差为56.56%（见表5-18）。各测项的因子负载都大于0.6，说明整体的因素结构符合理论上的推断。
表5-18：总体方差解释——吸收能力主观指标（1个因子）
步骤B.我们发现步骤A中，第二个因子特征根达0.917。因此，选取“限定因子为2”选项，再做因子分析，经正交旋转后，可解释的方差达到69.604%（表5-19）。各测项的因子负载也都大于0.6。
表5-19：总体方差解释——吸收能力主观指标（2个因子）
验证性因子分析
为进一步检查量表的效度和信度，同时比较1个因子和2个因子的模型哪个更好，使用SPSS 11.0和Lisrel 8.50结构方程统计软件对“吸收能力主观指标”的测量模型进行分析和比较。
步骤C.根据理论模型，7个题项是分为2个因子的。现先做单因子的验证性因子分析，得到的模型拟合指数如下：χ2(14)=45.818,χ2/df.= 3.273，RMSEA=0.152，NNFI= 0.850，CFI=0.883。NNFI和CFI可以接受，但是RMSEA=0.152，有些偏高（此因子结构称为ACM1，由于是单因子，所以文中省略该模型图）。
表5-20：“吸收能力主观指标”的Cronbach’sα系数和CFA分析结果（单因子）
注：AC—Absortive Capacity。
步骤D.再对7个题项做2因子的验证性因子分析，得到的模型的拟合指数如下：χ2(df.)=12.951(13)，χ2/df.=0.997<1，RMSEA=0.00，NNFI= 0.996，CFI= 0.997，GFI=0.964。从拟合指数来看是一个相当好的模型，表明因子划分结构比上一个模型更合理。而这一结构也符合理论和测量上的分类，故选择二因子的测量模型放入最终结构方程模型。根据理论文献和测量，现将2个因子分别命名为潜在吸收能力和现实吸收能力（此模型称为ACM2，详见图5-9）。
表5-21：“吸收能力主观指标”的Cronbach’sα系数和CFA分析结果（2因子）
图5-9：测量模型——吸收能力模型2（ACM2）
备注：LAC：潜在吸收能力，RAC：现实吸收能力，AC1：能很快理解已获得的技术信息，AC2：识别新技术可能给企业带来的变化，AC3：识别外部新知识对于现在知识的用途，AC4：根据新技术知识引入工艺创新，AC5：根据新技术知识修订质量控制操作，AC6：将已消化的新技术与其他技术整合，AC7：使用已消化的新技术进行产品开发
在信度测量方面，双因子的Cronbach’sα系数分别为0.865和0.793。Cronbach’sα系数的值高于0.7就可以说明多题项变量有较好的内在一致性信度（Nunnally，1978）。所以该测量模型具有较好的信度。
上述数据显示，“吸收能力主观指标”测量模型的信度和效度都比较高。
3.技术创新绩效
对于技术创新绩效的测量，问卷中同时使用了主观和客观指标。
（1）技术创新绩效——客观指标
客观指标包括新产品值占销售额的比例以及新产品成功率。描述性统计的分析结果如下表（表5-22）：
表5-22：描述性统计——技术创新绩效（客观指标）
（2）技术创新绩效——主观指标
技术创新绩效主观指标共有8个题项(IN1-IN8)，被访者根据企业情况对各个题项进行评价，回答项为“非常不同意”到“非常同意”的Likert7分态度量表。在数据分析过程中，首先把“非常不同意”到“非常同意”Likert 7分量表上的选项分别赋值为1—7分。各题项得分的基本描述统计分析结果如下（表5-23）：
表5-23：描述性统计——技术创新绩效（主观指标）
续表
首先对测量进行了探索性因子分析（EFA），以评鉴量表的面向性。通过SPSS11.0的主成分分析，得到了2个λ>1的面向值，经正交旋转后，可解释的方差为65.738%（见表5-24）。各测项的因子负载都大于0.6，说明整体的因素结构符合理论上的推断。技术创新测量量表的Cronbach’sα系数和CFA分析结果见表5-25所示。
表5-24：总体方差解释——技术创新主观指标
为进一步检查量表的效度和信度，本文使用SPSS11.0和Lisrel8.50结构方程统计软件对“技术创新”的测量模型进行了分析（见表5-25）。
表5-25：“技术创新绩效主观指标”的α系数和CFA分析结果
根据上表结果得知，“技术创新绩效”测量模型的拟合程度还可以接受，χ2(df.)=41.09(19)，χ2/df.= 2.163，RMSEA=0.108（接近0.1），NNFI= 0.887，CFI=0.924。所有假设路径的因子负载均显著大于0，说明该测量模型的构建效度较好。
在信度测量方面，一阶因子的Cronbach’sα系数分别为0.786和0.832。Cronbach’sα系数的值高于0.7就可以说明多题项变量有较好的内在一致性信度（Nunnally，1978），所以该测量模型具有较好的信度。
上述数据显示，“技术创新绩效主观指标”测量模型的信度和效度都比较高。
图5-10：测量模型——技术创新绩效
备注：IMIN：模仿创新SEIN：率先创新
三、小结
本书研究对象为企业，由于企业的难接近和接受调查，因而在调查过程中没有进行批量初测，有些题项的测量信度和效度没有得到较好的保证。所以在对数据进行有关分析后，根据探索性因子分析和验证性因子分析的结果，删除部分题项，并对有些变量或因子结构进行了调整。原有的理论模型修正如图5-11。
根据修正的理论的模型，原有的假设修正如下（见表5-26）。
表5-26：修正后的理论假设
续表
图5-11：修正的理论模型
第三节 结构方程模型与假设检验
本节主要通过Lisrel8.50结构方程统计软件对众多结构方程模型进行评价和修正，以确定检验假设的最终模型。
一、验证模型与产生模型[6]
结构方程一般可分为三类分析（J.reskog& S.rbom，1993）：纯粹验证（strictly confirmatory，SC）、选择模型（alternativemodels，AM）和产生模型（model generating，MG）。
纯粹验证分析指用一个已建立的模型拟合一组样本数据，其分析目的在于通过验证模型是否拟合样本数据，从而决定接受还是拒绝该模型。这类分析较少。
选择模型分析指事先建立多个不同的可能模型［也称为替代性（alternative）模型或竞争性（competing）模型］，依据各模型拟合样本数据的优劣情况进行模型的选择。
产生模型分析指事先建构一个或多个基本模型，检查这些模型是否拟合数据，基于理论或样本数据分析，针对模型中拟合欠佳的部分进行调整并修正，并通过同一数据或其他样本数据检查修正模型的拟合程度，其分析目的在于通过不断的调整与修正进而产生一个最佳模型。
本研究属于产生模型分析，即通过第三章提出的理论概念模型以及本章第二节对资源获取部分的因子结构的修正，构建结构方程模型，然后通过理论或数据分析对其进行修正，从而产生一个既符合理论推导又符合实际情况的最佳模型。
二、模型的评价和修正
在评价一个刚建构或修正的模型时，研究者一般需要检视以下几个方面：（侯杰泰等，2004）
A.结构方程的解是否适当（proper），包括：迭代估计是否收敛（iterated estimate comverges）、各参数估计值是否在合理范围内（如相关系数在+1与-1之间）。
B.参数与预设模型的关系是否合理，当然数据分析可能出现一些预期以外的结果，但各参数绝不应出现一些互相矛盾，与先验假设有严重冲突的现象。
C.检视多个不同类型的整体拟合指数，如NNFI、CFI、RMSEA和χ2等，以衡量模型的拟合程度。
通过模型的评价可以判断理论模型与数据之间的拟合程度，如果模型不能很好地拟合数据，就需要对模型进行修正和再次设定。在这种情况下，研究人员需要决定如何删除、增加或修改模型的参数，通过参数的再设定可以增加模型的拟合程度。要修正模型，可以参考结构方程分析软件输出的一些指标来进行。
A.修正指数：模型中某个受限制的参数（通常固定为0的参数），若容许自由估计，模型会因此而改良，整个模型的卡方减少的数值，称为此参数的修正指数（modification index，MI）。在实际应用中，研究者要考虑让该参数自由估计是否有理论根据。修正模型时，原则上每次只修改一个参数。一般来说，先考虑让那些有最大MI的参数自由估计。
B.检查关系是否实质合理：模型拟合不单要看拟合指数是否合乎要求，还要看各路径等参数估计值在理论上是否合理、是否有实质意义。
C.残差（residual）分析：因各变量的度量单位不同，各残差难以互相比较，通常将各残差除以其估计的渐近方差的平方根，得到的正规化残差（mormalize residual）受度量单位和样本容量的影响都比较小，可显示模型不拟合的地方。
D.参数检验：所有的自由参数都会给出估计值、标准误和t值。如果一个自由参数对应的t值小于1.96，则认为该自由参数不显著，可以从模型中剔除。
三、结构方程模型分析
（一）初始模型
下面开始阐述本研究对数据模型的分析、比较和修正。
1.本研究首先对最终纳入模型的数据变量进行分析，按照“删除部分题项”的因子结构进行模型检验。
但是由于样本量不大，因而模型可估计的参数在一定区域范围内。如果所需估计参数超出样本量，则模型不收敛（contigency）(在操作上，表现为程序运行后不能出图表，只能出out文件，提示拟合指数不一定正确)。修正的理论模型不收敛，即路径太多，模型不能估计。因此，我们要根据理论假设和数据结果来调整参数和修改路径。
在问卷中，初始设计的可放入模型的题项共有56个（23个外生变量题项，33个内生变量题项）。经过信度和效度检验后，理论上进入模型的题项共有47个（17个外生变量题项，30个内生变量题项），其中包括4个企业绩效指标。但由于本书研究目的不在于分析社会资本对企业绩效的影响，而在于分析对企业技术创新绩效的影响，因而首先去除关于企业绩效的4个题项（PV1，PV2，PH1，PH2）。
2.对剩余的43个题项（17个外生变量题项，26个内生变量题项）的描述性指标进行分析，发现“技术人员比（ACO2）”指标的分布呈严重的极端分布。而且，在做初始模型过程中，固定其他参数和路径不动，对涉及该指标的每条路径逐一尝试，结果模型经常不能收敛。因此，笔者去掉这个指标的相关题项。
初始设计问卷时，原打算以“内销产品比”间接测量企业规模，但经过访谈和调查，笔者发现大涌镇的企业都涉及内销和外销，各自所占比例有多大，基本上是取决于经营者的经营战略，“内销产品比“与企业规模并不相关。而且，我们在构建模型过程中，“内销产品比”不对任何内生变量产生显著性影响。因此，删除该指标的有关题项。
3.对剩余的41个题项（16个内生变量，25个外生变量）进行模型构建。得出一个初始模型图，为M1（见图5-12）。
模型1的拟合指数χ2(688)=1041.182，χ2/df= 1.513，RMSEA=0.060，NNFI=0.794，CFI=0.827。从拟合指标来看，前2个指标不错，但其他模型拟合指标一般，整体看并不是很满意，而且有很多路径不显著，假设无法得到检验。因此，我们要根据理论假设和结果中的参数调整路径和变量。具体路径参数估计值和模型拟合指数详见表5-27。
图5-12：结构模型1（M1）
备注：ICPN：群内生产网络，OCPN：群外生产网络，SUN：支持网络，GA：民间聚集，ICPN’T：对群内生产网络的信任，OCPN’T：对群外生产网络的信任，SUN’T：对支持网络的信任，SR：软资源，HR：硬资源，FUND：资金投入比，NPR：新产品销售比，ISR：创新产品成功率，LAC：潜在吸收能力，RAC：现实吸收能力，IMIN：模仿创新，SEIN：率先创新
表5-27：结构模型1的参数估计值与拟合指数
备注：* p<0.05，** p<0.01。
ICPN：群内生产网络，OCPN：群外生产网络，SUN：支持网络，GA：民间聚集，ICPN’T：对群内生产网络的信任，OCPN’T：对群外生产网络的信任，SUN’T：对支持网络的信任，SR：软资源，HR：硬资源，FUND：资金投入比，NPR：新产品销售比，ISR：创新产品成功率，LAC：潜在吸收能力，RAC：现实吸收能力，IMIN：模仿创新，SEIN：率先创新
（二）模型修正
对外生变量的调整
1.根据表5-27中所列的参数估计、数据结果（未报告）中的相关参数，以及理论假设，本研究对模型1进行了修正。
表5-27显示，外生变量“资金投入（FUND）”能被“软资源获取（SR）”和“硬资源获取（HR）”有影响，但是它作为吸收能力的客观指标，对4个技术创新绩效指标的作用并不显著，因为本研究要讨论的最终变量是技术创新绩效，而且该客观指标在分布上也是呈极偏趋势。因而，笔者删除变量“资金投入（FUND）”。
从表中还可得知，技术创新绩效的2个客观指标“新产品销售收入比（NPR）”和“创新产品成功率比（ISR）”没有一个外生变量对它们有显著影响，规模对这2个变量也没有影响。考虑到可能是因为客观指标数据收集上的难度和偏差，因此，笔者删除变量“新产品销售收入比（NPR）”和“创新产品成功率比（ISR）”。
2.在步骤1的基础上，将剩余题项纳入模型，得到模型2（M2），各参数估计值和拟合指数详见表5-28。
表5-28：结构模型2的参数估计值与拟合指数
续表
备注：* p<0.05，** p<0.01，***p<0.001。
ICPN：群内生产网络，OCPN：群外生产网络，SUN：支持网络，GA：民间聚集，ICPN’T：对群内生产网络的信任，OCPN’T：对群外生产网络的信任，SUN’T：对支持网络的信任，SR：软资源，HR：硬资源，FUND：资金投入比，NPR：新产品销售比，ISR：创新产品成功率，LAC：潜在吸收能力，RAC：现实吸收能力，IMIN：模仿创新，SEIN：率先创新
与模型1的各项指标进行比较。通过对比可知，M2比M1的自由参数减少了，但卡方没有上升反而下降了，说明自由参数的减少是可取的。而且从拟合指标来看，M2的NNFI和CFI都比M1的高。NNFI和CFI还有可上升的空间，因而我们继续调整模型。
对内生变量的调整
3.根据表5-27和表5-28，我们发现社会资本各因子对“资源获取”的两个因子的影响系数几乎都没有通过显著性检验。根据理论假设，虽然各个因子对资源获取会有影响。但是，从数据上来看，每条路径都分担了一些影响作用，反而系数减小，而且也无法通过显著性检验。因此，有必要根据结果报告中的参数并结合理论中的强理论假设来删除路径。首先是对于软资源的获取，从文献回顾中可知网络、信任都有助于信息和知识的获取，但是一般的文献研究几乎都是单独研究一项。因此，笔者删除其中一个维度的变量对资源的影响路径。首先限定信任维度的三个变量。在操作中发现仅删除“信任”维度的3个变量，模型无法拟合，因此，同时删除“民间聚集”对“资源获取”的影响路径。由此过程得到模型3（M3）。模型各参数估计值和拟合指数详见表5-29。
4.表5-29显示，网络维度下的各变量对硬资源获取的影响路径都不显著。根据理论文献可知，关于资金的获取，大部分的文献都是在讨论信任，而不是讨论网络。也即学者们更看重信任对于资金获取的作用。因此，删除“网络”维度下各变量对“硬资源获取”的路径，由此过程得到模型4（M4）。
5.结合步骤4，在三个维度的变量之间不停地调整路径，由于篇幅问题，此处不能一一列出所有步骤和所有模型，仅挑选比较有意义的模型列出。
M5：在M4基础上加“聚集程度——软资源获取”。
M6：在M5基础上加“群内生产网络的信任——软资源获取”。
M7：由于“对群外生产网络的信任”——“硬资源获取”的路径一直是负的，且不显著。且该变量对“软资源获取”路径也不显著。因此去除“对群外生产网络的信任”——“硬资源获取”的路径，且以后的模型对变量“对群外生产网络的信任”皆不进行估计。
M8：由于“对支持网络的信任”——“硬资源获取”的路径一直不显著，对“软资源获取”路径也不显著。因此去除“对支持网络的信任”——“硬资源获取”的路径，且以后的模型对变量“对支持网络的信任”皆不进行估计。
M9，由于“民间聚集”在软、硬资源获取上都不显著，因而任意去掉一条路径或两条路径，发现对于整个模型来说，拟合指数变化都不大。因而，M9去掉了变量“民间聚集”对资源获取的影响路径。
各模型的参数估计值与拟合指数详见表5-29。
表5-29：结构模型M 3-M9的参数估计值与拟合指数（只给出内生变量对外生变量的影响值γ）
续表
续表
备注：1.* p<0.05，** p<0.01，***p<0.001。
2.ICPN：群内生产网络，OCPN：群外生产网络，SUN：支持网络，GA：民间聚集，ICPN’T：对群内生产网络的信任，OCPN’T：对群外生产网络的信任，SUN’T：对支持网络的信任，SR：软资源，HR：硬资源，LAC：潜在吸收能力，RAC：现实吸收能力，IMIN：模仿创新绩效，SEIN：率先创新绩效
最终模型的形成
在M9的基础上，对外生变量继续调整。在此同样挑几个比较有意义的模型进行比较。
M10：在M9基础上，其他未动，取消“硬资源—模仿创新绩效”的路径，增加“现实吸收能力”——“模仿创新绩效”的路径。
M11：在M9基础上，其他未动，取消“软资源获取”——“现实吸收能力”的路径。
M12：在M11的基础上，其他未动，增加“对群外生产网络的信任”——“软资源获取”、“群内生产网络”——“硬资源获取”、“群外生产网络”——“硬资源获取”以及“对支持网络的信任”——“硬资源获取”等4条路径。
M13，在M12基础上，去除“民间聚集”对两类“资源获取”的影响路径，形成M13。
M14，在M12的基础上，去除“对支持网络的信任”对两类“资源获取”的影响路径，得到M14（图5-13）。
各模型的拟合指数详见表5-30。经过各项指标及路径参数估计值显著性的比较，选定M14为最终模型。最终模型M14的结构图详见图5-13，该模型各路径的参数估计值详见表5-31。
表5-30：结构方程模型M 9-M14的拟合指数表
表5-31：结构方程模型M14各条路径参数估计值
备注：1.* p<0.05，** p<0.01，***p<0.001。
2.各变量说明见图5-13。
图5-13：最终结构方程模型14（M14）
备注：ICPN：群内生产网络，OCPN：群外生产网络，SUN：支持网络，GA：民间聚集，ICPN’T：对群内生产网络的信任，OCPN’T：对群外生产网络的信任，SUN’T：对支持网络的信任，SR：软资源，HR：硬资源，LAC：潜在吸收能力，RAC：现实吸收能力，IMIN：模仿创新，SEIN：率先创新，AC1-AC7分别代表吸收能力的各个题项（AC1-3为潜在吸收能力题项），IN1-IN8分别代表技术创新的各个题项（IN1-4为模仿创新题项）
四、假设检验
本研究在文献回顾的基础上，提出集群企业社会资本与技术创新绩效之间存在正相关关系的总体假设，通过结构方程模型分析，证实了社会资本对技术创新绩效发生作用的影响路径。
本研究以模型14作为最终模型，用来检验各项假设。表5-32显示了假设检验的结果。
表5-32：M 14假设检验结果
续表
注明：* p<0.05，** p<0.01，****<0.001。
1.社会资本与软资源获取：假设H1-1至H1-7。
表5-32显示：
集群企业“群内生产网络”、“群外生产网络”和“支持网络”对“软资源获取”的直接影响系数分别为0.565（t=2.567）、0.367（t=2.946）、0.323 （t=2.174），表明集群企业内各类网络对“软资源获取”具有正面的影响，且这种影响是显著的。因此，假设H1-1、H1-2、H1-3得到实证上的支持。
集群企业“民间聚集”对“软资源获取”的直接影响系数为0.154（t= 1.682），但这种影响没有通过显著性检验。因此，假设H1-4没有得到实证上的支持。
集群企业“对群内生产网络的信任”对“软资源获取”的直接影响系数为0.582（t=3.153），表明“对群内生产网络的信任”对“软资源获取”有正面的影响，且这种影响是显著的。因此，假设H1-5得到实证上的支持。但“对群外生产网络的信任”及“对支持网络的信任”与“软资源获取”的影响路径均未被纳入方程，假设H1-6和H1-7没有得到检验。
2.社会资本与硬资源获取：假设H2-1至H2-7。
表5-32显示：
集群企业的“群内生产网络”和“群外生产网络”对“硬资源获取”的直接影响系数分别为0.479（t=1.623）和0.181（t=1.315），但均没有通过显著性检验，假设H2-1和H2-2没有得到经验支持。但“支持网络”对“硬资源的获取”存在积极的影响作用，其直接影响系数为0.773（t= 4.800），且通过显著性检验。假设H2-3得到实证上的支持。
集群企业“民间聚集”对“硬资源获取”直接影响系数为0.155（t= 1.740），但没有通过显著性检验，因此假设H2-4没有得到实证支持。
“对群内生产网络的信任”对“硬资源获取”存在显著的积极作用，其直接影响系数为0.636（t=2.587）。假设H2-5得到实证上的支持。“对群外生产网络的信任”对“硬资源获取”之间的直接影响系数为0.258（t= 1.849），没有通过显著性检验，假设H2-6没有获得实证上的支持。“对支持网络的信任”与“硬资源获取”之间的影响路径没有被接受进入方程，假设H2-7没有得到检验。
3.资源获取与吸收能力：假设H3-1至H3-4。
表5-32显示：
集群企业“软资源获取”与“潜在吸收能力”存在显著的正影响作用，其直接影响系数为0.652（t=2.722）。因此，假设H3-1得到经验支持。但“软资源获取”与“现实吸收能力”之间的影响路径没有被接受进入方程，假设H3-2没有得到检验。
“硬资源获取”对“现实吸收能力”的直接影响系数为0.427（t= 2.818），表明“硬资源获取”对“现实吸收能力”具有正面的影响，且通过显著性检验。因此，假设H3-4得到实证上的支持。而“硬资源获取”对“潜在吸收能力”的直接影响系数为0.174（t=1.106），没有通过显著性检验，假设H3-3没有得到实证上的支持。
4.吸收能力与技术创新绩效：假设H4-1至H4-4。
从表5-32可以得知如下信息：
集群企业“潜在吸收能力”对“模仿创新绩效”的直接影响系数为0.801（t=2.842），表明“潜在吸收能力”对“模仿创新绩效”具有正面的影响，且在统计上是显著的。因此，假设H4-1得到实证上的支持。“潜在吸收能力”对“模仿创新绩效”的直接影响系数为-0.728（t=-1.538），但没有通过显著性检验，假设H4-2没有得到实证上的支持。
“现实吸收能力”对“率先创新绩效”的直接影响系数为0.395（t= 2.017），表明“现实吸收能力”对“率先创新绩效”具有正面的影响，且在统计上是显著的。因此，假设H4-4得到实证上的支持。但是“潜在吸收能力”与“模仿创新绩效”之间的影响路径没有被纳入模型，假设H4-3没有得到检验。
5.资源获取与技术创新绩效：假设H5-1至H5-4。
表5-32显示，“硬资源获取”对“模仿创新绩效”的直接影响系数为-0.939（t=-2.655），表明“硬资源获取”对“模仿创新绩效”具有负面的影响，且在统计上是显著的。假设H5-4没有得到实证上的支持，反而被证明二者之间有显著的负面影响。
“软资源获取”对“模仿创新绩效”、“软资源获取”对“率先创新绩效”、“硬资源获取”对“率先创新绩效”的影响路径没有被纳入模型，假设H5-1，H5-2，H5-4没有得到检验。
6.规模与技术创新绩效：假设H6-1至H6-2。
从表5-32中我们可以看到，“规模”对“率先创新绩效”有积极的正影响作用，其直接影响系数为0.242（t=2.036），假设H6-2得到经验支持。但是“规模”对“模仿创新绩效”的直接影响系数为0.166（t=1.491），没有通过显著性检验，假设H6-1没有得到经验支持。
根据以上假设检验分析，我们可以总结出得到实证上支持的集群企业社会资本影响技术创新的路径图，如图5-14所示：
图5-14：集群企业社会资本影响技术创新绩效的路径图
说明：箭头表示方向；+表示A对B有显著的正面影响；-表示A对B有显著的负面影响。
第四节 集群企业社会资本的测量工具
林南（2001）提出社会资本的研究范式有3个——社会网络、民间聚集和信任。他利用1997年的一项台湾全岛性的成年人调查数据，通过选取合适的题项来测量社会网络、民间聚集和信任，并通过聚合效度和判别效度分析证明了“普遍信任”不是社会指标的测量指标之一。林南的这篇文章曾经在2000年香港社会学学会第二届年会上作主题发言，当时曾有不少学者对此结论提出异议，认为“其‘普遍信任’的指标选取并不一定合适，应该测量特定对象信任，因为中国是一个普遍信任比较低的家”[7]。信任是否社会资本的测量指标之一？选取“普遍信任”作为社会资本中信任的测量是否合适？笔者试图通过本研究检验信任是否集群企业社会资本的测量指标之一，在某种意义上与林南的观点对话。
本研究的测量维度沿用林南（2001）提出的3个研究范式，但测量的具体题项有所不同。测量题项或指标需要具备一定的信度和效度，效度即为你所测量的东西反映了作者想测量的概念或事物。因而即使题项使用不同，但测量的仍是社会资本。笔者认为普遍信任只是笼统地测量对所有人的看法或态度，并不能测量出行动者对待定对象的态度，因此本研究中测量的信任是“特殊信任”。企业联系和交往的对象有着自身的特点和区分，因此产生的信任也有对象的区别。前文已提到，集群企业的行动一般包括供应商、客户、同行、政府机构、金融机构、行业协会和大学科研机构等，又由于集群这一背景特点，这些主体还有群内和群外之分。通过实地调查和访谈，最终选定了10个联系主体：本、外地供应商；本、外地客户；本、外地同行；政府机构；金融机构；行业协会；大学及科研机构等。
一、聚合效度的分析
林南（2001）对聚合效度的分析主要是分析普遍信任的各题项分别与社会网络、民间聚集的各题项之间的相关关系，结果发现普遍信任与社会网络、民间聚集的各题项间的相关系数基本上都为负数，且统计意义上显著。从而得出结论，普遍信任与社会网络、民间聚集是不能聚合在一起，不能作为社会资本的测量指标之一。
与林南的分析方法一致，笔者做每个维度题项之间的相关关系，结果如表5-33：
表5-33：社会网络、民间参与、信任的相关
续表
备注：1.***<0.001，**<0.01，*<0.05。
2.SN1：与本地供应商的联系，SN2：与本地客户的联系，SN3：与本地同行的联系，SN4：与外地供应商的联系，SN5：与外地客户的联系，SN6：与外地同行的联系，SN7：与金融机构的联系，SN8：与政府部门的联系，SN9：与行业协会的联系，SN10：与大学等的联系，T1：对本地供应商的信任，T2：对本地客户的信任，T3：对本地同行的信任，T4：对外地供应商的信任，T5：对外地客户的信任，T6：对外地同行的信任，T7：对金融机构的信任，T8：对政府部门的信任，T9：对行业协会的信任，T10：对大学等的信任。
由表5-33可以看到，SN1—SN3与T1—T3均显著相关，SN4—SN5 与T4—T5显著相关，SN6和T5—T6显著相关，而SN7—SN8与T2、T3、T6等显著相关，GA与T1、T5和T6相关。我们的信任是对特定网络主体的信任，数据结果也显示“对群内生产网络的信任T1—T3”与“群内生产网络SN1—SN3”相关，“群外生产网络SN4—SN6”与“对群外生产网络的信任T4—T6”大部分相关，但“支持网络”与“对支持网络的信任”的相关不显著。这和前文中对社会资本的测量模型的分析是相互一致的。群内生产网络和信任是紧密相关的，其相关系数基本上高于群外生产网络和信任的相关。虽然“支持网络”及“对支持网络的信任”的各题项之间不相关，但并不能否认特定网络主体的信任与网络仍是存在显著性相关的。本研究的数据分析补充了林南的观点，结果显示，信任（特殊信任）和社会网络、信任和民间聚集在一定范围内是相关的，可以聚合在一起共同测量一个概念或变量。即信任（特殊信任）可以作为集群企业社会资本的测量指标之一。
二、判别效度的分析
林南（2001）对判别效度的检定主要使用了3组变项：A.作为人力资本教育程度；B.作为工具性回报指标的就业、职业声望和工资；C.作为表达性回报的抑郁情绪（CESD）。他认为，如果普遍信任是社会资本的测量指标之一，则普遍信任与这些变项的相关应与社会网络、民间聚集与这些变项的相关方向一致。结果发现，普遍信任与这些指标的相关全部为负数，而社会网络和民间聚集与那些指标的相关除1项之外全部是正数。因此，林南认为普遍信任不是社会资本的测量指标之一。
本研究的判别效度分析采用的变项主要是作为工具性回报的资源获取和技术创新绩效等变量。判别效度分析结果如表5-34：
表5-34：网络、民间参与和信任与资源获取、技术创新绩效的相关
备注：A.***<0.001，**<0.01，*<0.05。
B.SR：软资源获取，HR：硬资源获取，IMIN：模仿创新绩效，SEIN：率先创新绩效，其余说明如表5-33。
从表5-34可以看出，集群企业的社会网络SN1—SN10，民间聚集GA，集群企业对各社会网络主体的信任T1—T10与各项工具性回报的相关基本上是呈一致方向，具有统计意义上的相关全部为正相关。群内生产网络（SN1—SN3）和对群内生产网络的信任（T1—T3）均与软资源获取正相关，群外生产网络（SN4—SN6）和对群外生产网络的信任（T4—T6）均分别与硬资源获取和率先创新相关。支持网络和对支持网络的信任在各个工具性回报的变量间的相关也有些一致，如SN8—SN9和T8—T9均与软资源获取正相关。数据分析结果说明，样本集群企业“对特定网络的信任”与各工具性回报变量之间的相关，与集群企业“特定的社会网络”与各工具性回报变量间的相关方向是一致的，且“社会网络”、“信任”与不少工具性回报的变量的相关同时显著。这表明信任（特殊信任）可以成为集群企业社会资本的测量指标之一。
总之，通过对样本数据的聚合效度和判别效度分析，笔者认为对信任的测量，采用“特殊信任”的测量比较好。理论方面来讲，中国是一个“差序格局”的社会（费孝通，1985），中国传统结构中的差序格局具有一种伸缩能力。在乡下，“家庭”可以很小，而一到有钱的地主和官僚阶层，“家”可以大到像个小国。人们对他人的信任也是跟随着这个格局来变化的，也有学者称之为“圈内人”或“圈外人”。一般来说，中国人对“自己人”比较信任，对“圈外人”的信任程度更低，相对来说会更戒备。因此测量信任时测量特殊信任可能有更好的效度。数据方面来说，特殊信任的测量信度和效度也不错（第三节），而且特殊信任与社会网络、民间聚集的若干题项具有显著正相关（聚合效度分析）。特殊信任与工具性回报若干题项显著正相关，与社会网络、工具性回报之间的相关同为一个方向（判别效度分析）。结果说明，在集群企业社会资本的测量中，信任维度用“特殊信任”比较合适，而且信任可以成为集群企业社会资本的测量指标之一。研究结果补充了林南的理论观点。
第五节 结果讨论
经过模型构建和对研究假设的检验，部分假设得到实证上的支持，也有部分假设未得到检验或实证上的支持。现针对数据分析和假设检验的结果进行讨论。本书是对集群企业的研究，选取了中山市大涌镇的纺织服装产业集群作为调查总体，由于企业研究中存在的各种主、客观条件，本研究采取的是方便抽样，但力求企业规模分类与当地服装企业规模分类大体一致。本作者认为大涌镇作为一个传统产业集群，具有大多数珠三角传统产业集群的特点，因而是一个比较典型的珠三角传统产业集群。因此，通过本研究模型检验及与林南观点对话的检验分析，得出的结果和结论对于研究其他珠三角传统产业集群企业有一定的参考意义。
一、最终模型的评价
根据相关理论和文献，在第三章构建了一个概念模型。通过数据分析，对该模型进行了评价和修正，最后以模型14（M14）为本研究的最终模型。该模型的各项拟合指标如下：χ2=719.332，df=506，χ2/df=1.422，RMSEA=0.059，NNFI=0.854，CFI=0.876（接近0.9）。从拟合指数来看，该模型比较好地拟合了数据。
二、集群企业社会资本构成
从测量模型和最终模型，以及研究假设的验证分析来看，从社会网络、民间聚集和信任三个维度来测量企业社会资本是可以接受的。不同网络及其信任对软硬资源获取的影响和影响程度不一样，说明企业的各类网络及其对各类网络的信任还是在一定程度上分开的。
1.集群企业有选择性地建立自己的网络关系和信任关系
虽然国内有不少文献从网络和信任角度研究企业集群，并对集群企业所拥有的各种网络关系进行了分类和描述，但基本上没有去验证这些网络对企业经营活动的具体影响。本研究的数据结果显示，集群企业是有选择性地建立自己的网络关系及其信任关系，从而回答了本研究的第一个研究目标。从实证结果可以看出，集群企业的网络关系主体主要包括“本地供应商”、“本地同行”、“外地供应商”、“外地客户”、“政府部门（本地）”、“金融机构（本地）”、“行业协会（本地）”。而其他的关系主体，如“本地客户”、“外地同行”、“大学科研机构”基本上不是集群企业关注的对象。这种现象是可以理解的。企业，在一定程度上，总是追逐经济效益的行动者，总是与企业成长和发展有着直接利益的关系主体建立网络联系。
我国的产业集群，虽然也是相邻或相近行业在一定地理空间或行政区域上的集中，但是产业内部纵向网络的联系比较少，很多只是彼此独立、各自生产的企业。它不同于西方国家的产业集群一般在很大程度上实现了产业内部的纵向一体化似的合作。因此在产业集群内部的企业，大多没有上下游产业链的合作，客户大部分是外地的。同行是竞争对手，之所以与本地同行有一定的网络联系，是因为大家同处于一个产业集群，有了地理上的临近，所以有许多平台提供机会交流和沟通，如一同参与政府相关部门的会议，一同参加行业协会，彼此之间有亲戚关系或其他关系。而与外地同行的网络联系就少了很多。
2.集群企业“群内生产网络”和“对群内生产网络的信任”之间、“群外生产网络”和“对群外生产网络的信任”之间显著正相关。而“支持网络”和“对支持网络的信任”不相关。
不少学者认为网络能产生信任，而信任又反过来促进网络的深化和扩大（Puntnam，1993；Coleman，1990）。Granovetter(1985)认为具体的人际关系以及组织间的关系网络能产生信任并防止欺诈行为，从而节约交易成本。Powell（1990）认为厂商间持续的合作关系可以强化信任关系，由镶嵌所产生的依赖关系会促进彼此的长期合作关系。Botkin(1994)认为最好的商业合作关系是建立在彼此互信的基础上，信任的缺乏是关系产生的障碍。Uzzi（1997）曾对美国纽约的企业进行过调查，发现，在同行业中，具有比较亲密关系（强关系）的企业更能够互相交流各自的知识。在发展强关系的过程中，企业间伙伴能够逐渐增加彼此间的相互了解和依赖性，从而有利于加深彼此间的相互认同感和信任。
在对集群企业社会资本的测量模型分析中，我们发现，网络和信任并不是必然一致的，集群企业“特定社会网络”与“对特定网络主体的信任”并不是必然相关的。
集群企业“群内生产网络”与“对群内网络的信任”、“群外生产网络”与“对群外生产网络的信任”的估计参数分别为0.667（t=6.798）和0.405（t=3.966），而且聚合效度的分析中，他们之间的相关是非常明显，且通过显著性检验。表明二者之间具有显著的正相关。即生产网络得分越高，信任的得分也越高，生产网络有利于信任的产生和强化。
但是集群企业“支持网络”与“对支持网络的信任”之间的参数估计值并不显著（t=-1.327），而且聚合效度的分析中，2个维度的各个题项之间的相关通过显著性检验的很少。表明，集群企业“支持网络”与“对支持网络的信任”是不相关的，即支持网络得分越高，但对支持网络的信任不见得越高，支持网络并不一定有利于信任的产生和强化。这在经验上也许可以得到一些解释。“支持网络”及“对支持网络中的信任”的联系主体包括：政府部门、金融机构、行业协会，这些组织性质均不同于企业的以盈利为目的的性质。虽然金融机构在一定程度上也要实现自己的“盈利”目标，但它主要的功能仍是为个人和组织提供相对公平公正的服务。3个组织在提供服务时都有一整套的服务原则和规定，制度化建设比较完善，信息透明度也高。因而，企业对这些组织的信任程度并不会因为网络联系的多少、亲密程度和互惠程度而影响。
表5-35：社会资本各维度间的参数估计值
续表
备注：第一行为参数估计值，第二行为标准误，第三行为t值。
*p<0.05，**p<0.01，***p<0.001
3.集群企业的民间聚集程度很低，没有发挥应有的作用
行业协会在中国的发展历史悠久，早在唐朝时期就有行会组织，至明清时近代行业商会开始出现（曲彦斌，1999）。新中国成立后至1978年十一届三中全会以前，计划经济体制下的中国，私营经济成分基本上被清除，工商业行业组织的发展受到很大限制，行业组织更多的是挂靠在政府组织之下。1978年三中全会之后，中国社会发生巨大变化，为行业协会的发展创造了制度条件。80年代以后，一大批全国性行业协会和地方性行业协会相继成立。但由于历史条件，行业协会所处位置比较尴尬，在企业和行业发展过程中发挥的作用仍比较有限。
我国的大部分产业集群中的行业协会建设还不是很好，行业协会对于企业的沟通和交流、行业自律、组织学习和参展等方面的功能还没有得到好的发挥。在访谈过程中，我们发现，无论是企业、政府还是行业协会本身都在一定程度上意识到行业协会的功能和作用，但却认为行业协会真正实现这些功能还需要很多的努力和一段时间。
从数据上来看，集群企业的“民间聚集”得分不高，说明聚集程度比较低。“民间聚集”对“软资源获取”和“硬资源获取”的参数估计值都没有通过显著性检验，说明其在资源获取上没有发挥应有的功能。
4.信任与社会网络、民间聚集一起构成集群企业社会资本的测量指标
林南（2001）运用1997台湾一项全岛性成年人调查数据，通过聚合效度和判别效度的分析，认为“普遍信任”不是社会资本的测量指标之一。
本研究沿用林南对社会资本研究范式的分类，根据理论文献回顾和实际调查访谈资料构建集群企业社会资本3个范式的变量、测量指标和题项。经过数据分析，这些测量题项具有较好的信度和效度，表明用“特殊信任”来测量集群企业社会资本中的信任范式比较合适。通过聚合效度分析可知“对特定网络的信任”与“特定社会网络”、“民间聚集”的某些题项是正相关，且通过显著性检验；通过判别效度分析可知“对特定网络的信任”与各工具性回报变量之间的相关，同“特定社会网络”与各工具性回报变量之间的相关方向是一致的，且在某些变量上的相关显著性也是一致的。这说明信任（特殊信任）可以作为集群企业社会资本的测量指标之一，补充了林南（2001）的观点。
三、集群企业社会资本与资源获取
基于集群企业社会资本各维度与资源获取的各项假设的检验，结合我国集群企业的实际情况，得出以下结论：
1.集群企业的各类网络是企业获取“软资源”的重要渠道
软资源包括信息、知识和人才。从第三章的概念模型和研究假设中可知，已有不少文献分析了集群企业网络中信息、知识等资源流动中的媒介作用，强调了网络对信息、知识资源获取的重要性。（Porter，1985；Powell，1990；Gulaty，Nohria and Zaheer，2000；Barney 2002）尽管鲜有企业层面的文献去讨论企业网络对人才流动的影响作用，但是在社会学的分支研究领域——劳动力市场研究领域内，有不少实证文献证明了社会资本（很多是以社会网络来测量的）对求职方和招聘方都有影响作用，具备一定的社会资本更有利于招聘方选择和聘用合适的员工，使招聘双方达到更好的匹配。（Marsden，2001；Arne L.& Van Buren. 1996；Fernandez& Nancy Weinberg，1997；Fernandez，Castilla& Paul Moore. 2000等）
在本书中，集群企业的“群内生产网络”、“群外生产网络”、“支持网络”都对“软资源获取”有显著的正向的直接影响，说明集群企业的各类网络是获取信息、知识和人才等“软资源”的重要渠道。
2.“对群内生产网络的信任”及“支持网络”是集群企业获取“硬资源”的重要渠道
硬资源主要是指资金。
Uzzi(1997)认为信任关系除了防止欺骗行为，还可以减少资讯的搜集成本，降低交易费用。通过与金融机构的良好关系，不仅可以增加企业获取资金的机会，而且可以降低资金的获取成本（Uzzi，1999）。与政府部门建立各种联系和互动，以加强彼此间的交流和信任，并从负责资助的政府机构处获得资金资助（Meyer-Krahmer，1983）。
研究结果显示，“对群内生产网络的信任”对“硬资源获取”有显著的积极影响，而“对群外生产网络的信任”对“硬资源获取”的直接影响系数为0.281（t=1.742），没有通过显著性检验，这给笔者一定的思考余地。这种结果的出现，也许和产业集群的背景特点有关系。群内生产网络的联系对象皆为产业集群内部的有关生产合作企业，企业之间联系互动比较多，信任程度较高。但是涉及金钱借贷的话，即使有信任，也同样是难以获得的，一则是要考虑自身的能力，二则要考虑对方的偿还能力，三则也会考虑对方的担保对象或其他因素。如在本地的话，“跑得了和尚跑不了庙”，但如果合作企业在外地，即使存在较高的信任感，也不见得会有资金上的借贷或“拆借”。从实地访谈资料来看，企业与群外生产网络之间，当遇到周转不灵或其他资金问题时，彼此间经常会延迟货款或原材料支付时间，以争取时间上的优势；但很难直接涉及资金的借贷。这也从侧面可以看出，资金借贷的难度很大。正因为此，很多企业“看菜吃饭”，有多少钱做多大的事情。
你们企业在经营中遇到过哪些困难，都是怎么解决的？
主要都是信息啊、资金方面的问题。
当你们遇到资金困难时？怎么办？
一般是亲戚朋友借，或者同行之间拆借了。
这种拆借一般走什么样的程序，是本地的还是外地的？需要支付利息么？
一般都是本地的啦。那肯定要给别人一些好处了，一般都会要比银行高的利息，1分到5分不等。
你有几个朋友或同行可以借钱的？
不多，也就五六个吧。有时也会和原料供应商通通电话，告诉他们延迟支付货款；或者也会和客户通电话，让他们尽快支付欠款（个案1，3，6）。
从题项上看，支持网络包括与政府的联系、与金融机构的联系、与行业协会的联系。而硬资源的测量题项包括“及时获取政府的创新补贴”、“及时获取金融机构的贷款”、“及时获取民间机构的贷款”。由于对象的针对性，二者之间比较容易产生影响作用。研究结果也证明了这一点。
四、资源获取与吸收能力
根据研究假设及检验分析结果，可以得出以下结论：
1.“软资源获取”与“潜在吸收能力”正相关
潜在吸收能力主要是指企业对外部知识、信息的获取和消化能力。一般也指对新知识、信息的理解能力。而对这些信息、知识进行消化和理解的载体正是“人才”。
研究结果显示，“软资源获取”对“潜在吸收能力”直接相关系数通过显著性检验，说明“软资源获取”越多，企业的“潜在吸收能力”越高，对外部新信息、新知识的获取和消化能力越高。亦即潜在吸收能力越高的企业，对信息、知识的使用效率越高。
2.“硬资源获取”与“现实吸收能力”正相关
现实吸收能力主要是指企业对外部知识的转化和利用能力。一般也指对新知识的应用能力。要把新知识转化并应用到生产中，不仅需要对新知识的理解，还需要其他更多的配合，如资金上的，设备上的。有关文献显示，我国企业面临的一大难题就是创新资金投入较少（方新，1998；赵曙东，1999；官建成，2004），导致企业的技术创新活动很少或成效甚微。资金投入的不足严重影响到企业对新知识、信息的转化和应用能力。
研究结果显示，“硬资源获取”对“现实吸收能力”直接相关系数通过显著性检验，说明“硬资源获取”越多，企业的“现实吸收能力”越强，对外部新信息、新知识的转化和应用能力越高。亦即现实吸收能力越强的企业，对新知识的转化和应用效率越高。
五、吸收能力与技术创新绩效
根据研究假设及检验分析结果，可以得出以下结论：
1.“潜在吸收能力”与“模仿创新绩效”正相关
模仿创新是指企业通过引进购买和反求破译等合法手段，吸收和掌握率先创新者的核心技术和技术秘密，充分吸取率先者成功的经验和失败的教训，并在此基础上对率先者技术进行改进和完善，进一步开发和生产富有竞争力的产品，参与市场竞争的一种创新行为(戴大双、李浩，2003)。模仿创新不是一种纯粹简单的照搬行为和拿来主义，而属于一种渐进型的创新行为。其投入的研究开发力量一部分用于消化吸收或反求率先者的核心技术，另一部分用于对率先创新技术的改善和进一步开发。模仿的前提在于对外来新知识、信息的理解和消化，才可能二次创新。
从研究中发现，“潜在吸收能力”对“模仿创新绩效”的直接影响系数通过显著性检验，表明，“潜在吸收能力”越高，“模仿创新绩效”越好。
2.“现实吸收能力”与“率先创新绩效”正相关
自主创新是指企业依靠自身的努力产生核心技术或概念的突破，并在此基础上完成创新的后续环节，实现科技成果商品化的一类创新行为(戴大双、李浩，2003)。“现实吸收能力”是指企业对外部新知识、信息的转化和应用能力，与“自主创新”是一动态的连续发展过程，有了转化和应用能力，再结合其他因素和机会，才能真正地创新出自己的产品和东西。
从研究结果中发现，“现实吸收能力”对“自主创新绩效”的直接影响系数通过显著性检验，说明“现实吸收能力”越高，“自主创新绩效”越好。
六、资源获取与技术创新绩效
如果去除“吸收能力”变量，“资源获取”与“技术创新绩效”之间的各个路径参数估计值都是显著的。实际上，在最终模型M14中，“资源获取”与“技术创新绩效”之间的影响关系，基本上通过“吸收能力”这个中介变量发生作用。但有一条路径除外。从研究结果中发现，“硬资源获取”对“模仿创新绩效”的直接影响系数为-0.93，且通过显著性检验。表明，“硬资源获取”对“模仿创新绩效”是显著负影响，“硬资源获取越多”，“模仿创新绩效”越差。这一点在理论上好像难以解释，但在实际中仍是可以有些参考意义的。一般来说，资金是一个企业技术创新活动是否进行及是否进行成功的关键因素，有了足够的资金，可以聘请优秀的人才，可以收集丰富的信息和知识，可以组建一支精干的团队进行研发活动。获取的有关技术创新的资金越多，进行自主开发和自主创新的可能性就越高。亦即资金越多，进行模仿创新的可能性就越低，或者说，模仿创新所占的比例就越低，从而在整体上来比较，模仿创新绩效就越差。
七、规模与技术创新绩效
根据研究假设及检验分析结果，可得出以下结论：
1.“规模”与“率先创新绩效”正相关
熊彼特（Schupeter，1947）认为大企业最适合创新。而谢勒尔（Schere，1965）则发现专利发明与企业大小并没有明显的成正比增长的关系。
从研究中发现，“规模”对“率先创新绩效”的直接影响系数通过显著性检验，表明“规模”与“率先创新绩效”成正比，规模越大，“自主创新绩效”越好。
2.“规模”与“模仿创新绩效”的关系不显著
从研究中发现，“规模”对“模仿创新绩效”的直接影响系数未通过显著性检验。这一点也许可以从实际情况来分析。
我国的集群企业，很大比例都是中小型、民型企业，资金不足，自主创新能力低。为了保持市场竞争优势，许多企业通过对市场领先者的模仿以进行二次创新。模仿创新是集群企业的基本生存战略之一。而模仿并不依企业规模大小而有高低。
八、模仿创新战略是集群企业的一个较为常用的战略选择
前文中已经分析到，由于我国集群企业的本身特点，使得很多企业选择模仿创新战略。模仿创新并不是完全百分之百的原样伪造，而应该有所改善、有所发展，一般企业都会进行基于模仿之上的二次创新。采用模仿创新战略的优势在于企业可以少走弯路，降低创新给企业带来的风险，从而具备后发优势。这在很多文献中已得到证实，本书的研究结果也证明了这一点（关于模仿创新和自主创新的测量题项的描述性统计详见表5-21）。
请谈谈你们组织对技术创新的看法？
说实话，我们很想能自主创新，也鼓励自主创新但由于时间、人力、物力投入都很大，所以这一活动受到一些限制。我们2005年时自己开发了一个产品，在国内是没有的，但是当初前后花了半年左右，投入比较大，而且最后它的销量不是很大，差不多是收益和成本持平，也许过几年就会看见效益了。一般的创新，无非就是工艺上和程序上的一些创新，或者是面料、辅料的搭配上面。而这些往往都是要通过市场上信息的收集来进行的。（个案10）
第六节小结
本章主要对样本数据进行了统计分析以检验测量题项的信度和效度，并检验了相关假设。分析结果表明测量题项具有较好的一致性和有效性。经过对多个模型的比较和评价，以模型14作为最终模型对理论假设进行了检验，结果显示，部分假设得到经验支持，通过实证检验。研究假设及支持程度如表5-36。
表5-36：研究假设及其支持程度
续表
【注释】
[1]此处的规模划分同前文，该划分主要是大涌镇本地企业主或相关政府人员对规模的大致分类，所谓小型、中型、中大型和大型企业的分类标准只是针对大涌镇而言，与其他研究的分类可能不一致。
[2]本部分内容主要参考了张文彤（2004）、袁方（1999）、吴明隆（2003）等的文章。
[3]转引自侯杰泰等（2004）的文章。
[4]侯杰泰于2006年4月1—3日被中山大学管理学院聘请作了为期三天的“结构方程模型”讲座，他认为在实际情况中，小于0.1或在0.1边缘也是可以接受的。而且他指出，不同版本的结构方程软件对同一套数据进行分析，其得到的拟合指数会有些微差别。
[5]引自财务资源-MBA智库http://wiki.mbalib.com/wiki/%E8%B4%A2%E5%8A%A1%E8% B5%84%E6%BA%90
[6]此部分内容主要参考了侯杰泰等（2004）的文章。
[7]转引自Woolcock,M.,“Social Capital and Economic Development: Toward a Theoretical Synthesis and Policy Framework.”Theory and Society, Vol.
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
