（3）企业学习能力。
企业学习能力在研究假设中处于中介变量的位置，该变量是指企业获取外部知识的能力。就企业学习能力（或知识获取能力）的测量，以往研究中存在着大量的成熟量表（Lyles &； Salk，1996；Simonin，1997；Yli‐Ren‐ko、Autio &； Sapienza，2001；Zahra、Ireland &； Hitt，2000）。根据研究对象的特点，笔者借鉴了Jansen等（2006）的企业吸收能力量表，提取了其中有关企业知识识别和知识获取的7个题项（见附录2）。
（4）竞争优势。
根据已有的关于企业竞争优势的实证研究，我们将企业财务绩效和创新绩效作为企业竞争优势的评价指标（Wiklund &； Shepherd，2003；Zajac、Kraatz &； Bresser，2000）。在指标测度上，采取相对衡量的方法，通过与企业与行业平均水平对比，来揭示出关于企业竞争优势的重要信息（Birley &； Westhead，1990；Dess &； Robinson，1984）。某一企业的绩效指标相比行业平均水平越高，则表明其竞争优势越大。具体来说，笔者开发了一个由4个题项构成的竞争优势量表。
（5）环境不确定性。
环境不确定性主要是指集群企业所面临的外部技术、市场等方面的变化程度。笔者在Glazer和Weiss（1993）与Sinkula（1994）的环境不确定性量表的基础上，将环境不确定性分为技术不确定性和市场不确定性两个维度，开发了由7个题项构成的环境不确定性量表（见附录2）。
（6）知识整合能力。
企业知识整合能力是指企业在内部进行知识交流和知识传播的能力。
笔者对这一变量的测量主要借鉴了Gupta和Govindarajan（2000）的企业跨部门知识交流量表，Dewar等（1980）与Hage和Aiken（1967）以及Janse等（2006）员工决策参与的量表，并在此基础上开发了一个由9个题项构成的集群企业知识整合能力测量量表（见附录2）。
（7）控制变量。
企业年龄：以往研究发现企业年龄将会影响企业的学习能力和企业的竞争优势（Lane &； Lubatkin，1998；Zahra &； George，2002），成立时间越长的企业越有经验优势，或者，越年轻的企业越有创造新知识的能力（Autio、Sapienza &； Almeida，2000）。因此，本书选择企业年龄作为一个控制变量，并以企业自成立以来的持续年数对其进行测度。
企业规模：企业规模可能影响企业的知识学习与竞争优势的关系。规模大的企业有更多的资源投入到重要技术和市场活动中，从而获得较高的绩效（Tsai，2001）。为了控制企业规模对本研究的影响，本研究采用企业员工总人数来测量企业规模。
笔者将调查问卷对12位来自企业的管理人员进行了试测，通过试测发现部分语句的表达方式需要修改，其中企业学习能力的一个反向计分题项容易产生歧义。根据试测结果，删除了有歧义的题项、修订了表达方式，最后形成了包含集群知识分布4个题项、企业知识基础5个题项、企业学习能力4个题项、知识整合能力8个题项、环境不确定性7个题项和企业竞争优势4个题项，共32个题项的正式问卷。
二、研究样本
对集群知识传播与企业竞争优势进行实证分析，理想的情况下需要获取整个集群的知识分布和内部企业的竞争优势情况的数据。然而，考虑到时间和资源限制，这显然并不可行。因此，本研究从实际出发，从横截面上选择一些集群中的企业搜集数据。基于这一思路，笔者在2007年7月到2008年1月期间对浙江省台州、杭州以及广东省广州、深圳、汕头等地的缝纫机集群、五金工具集群、袜业集群、玩具集群以及电子集群共236家企业的中高层管理者进行大规模的问卷调查。问卷共发放250份，回收156份，问卷回收率达到51.2%。在回收的问卷中，有效问卷128份。
三、问卷的信度和效度分析
为了检验问卷测量量表的信度和效度，本研究分析了集群知识传播与企业竞争优势模型中各变量测量量表的结构效度和内部一致性信度。就结构效度而言，本研究通过探索性因子分析来检验。在探索性因子分析中，笔者采用主成分分析方法（principal component analysis）提取因子，用方差最大方法（varimax）进行因子旋转，根据特征根碎石陡阶图（scree）确定因子数量。为了检验问卷的信度，本研究分析了各因子题项的内部一致性。内部一致性的分析采用Cronbach的alpha系数。
为了保证探索性因子分析方法的适用性，本研究首先对量表各题项做了KMO样本测度和Bartlett球体检验。根据马庆国（2002）的观点，KMO样本测度越接近于1，则越适合于作因子分析；KMO过小，就不适合做因子分析。对于KMO测度与进行因子分析适用性的关系主要采用主观经验判断：KMO在0.9以上，非常适合；0.8～0.9，很适合；0.7～0.8，适合；0.6～0.7，不太适合；0.5～0.6，很勉强；0.5以下，不适合。而Bartlett球形检验统计量近似服从卡方分布，其零假设为变量的相关系数矩阵为单位矩阵，当检验结果拒绝零假设时，可以进行因子分析。
1.集群企业知识基础的因子分析和内部一致性分析结果
企业知识基础量表的KMO测度为0.797，属于比较适合因子分析的数据；另外，Bartlett球形检验的卡方值为425.852，统计显着性概率为0.000，小于1%，也说明该数据具有相关性，适合做因子分析。
对集群企业知识基础的探索性因子分析结果表明，从企业知识基础量表的5个题项中，可以提取一个因子，它能够解释总变异量的62.418%；每个因子的载荷都大于0.7。从共同度的分析结果可见，各题项的共同度都比较大，表明问卷具有较大的效度。同时，该量表的内部一致系数即CronbachAlpha值为0.887，远大于可接受值0.7，表示量表具有较高的信度。因此，集群企业知识基础量表具有较高的信度和效度，不需要删除任何题项。
2.集群企业学习能力的因子分析和内部一致性分析结果
集群企业学习能力量表的KMO测度为0.759，属于比较适合因子分析的数据；另外，Bartlett球形检验的卡方值为229.028，统计显着性概率为0.000，小于1%，也说明该数据具有相关性，适合做因子分析。
对集群企业学习能力的探索性因子分析结果表明，从企业学习能力量表的6个题项中，可以提取一个因子，它能够解释总变异量的66.529%；每个因子的载荷都大于0.7。从共同度的分析结果可见，题项的共同度都比较大，表明问卷具有较大的效度。同时，该量表的内部一致系数即Cronbachalpha值为0.831，远大于可接受值0.7，表示量表具有较高的信度。因此，集群企业学习能力量表具有较高的信度和效度，不需要删除任何题项。
3.集群企业知识整合能力量表因子分析与内部一致性分析
对集群企业知识整合能力量表的KMO样本测度和Bartlett球形检验可知，该量表的KMO测度为0.806，属于比较适合因子分析的数据；另外，Bartlett球形检验的卡方值为1198.355，统计显着性概率为0.000，小于1%，也说明该数据具有相关性，适合做因子分析。
对集群企业知识整合能力的探索性因子分析结果表明，从企业知识整合能力量表的9个题项中，可以提取一个因子，它能够解释总变异量的67.792%；从共同度的分析结果可见，题项的共同度都比较大，表明问卷具有较大的效度。同时，该量表的总体内部一致系数即Cronbach alpha值为0.933，远大于可接受值0.7，表示量表具有较高信度，不需要删除任何题项。
4.集群企业外部环境不确定性量表信度与效度分析
对集群企业外部环境不确定性量表的KMO样本测度和Bartlett球形检验可知，该量表的KMO测度为0.67，属于适合因子分析的数据；另外，Bartlett球形检验的卡方值为305.325，统计显着性概率为0.000，小于1%，也说明该数据具有相关性，适合做因子分析。
对集群企业外部环境不确定性量表的探索性因子分析结果表明，量表的7个题项可以提取出两个因子，它能够解释总变异量的62.725%；根据两个因子得分的特征和量表设计的初衷，笔者将两个因子分别称为市场不确定性和技术不确定性。从共同度的分析结果可见，题项的共同度都比较大，表明问卷具有较大的效度。同时，该量表的总体内部一致系数即Cronbach alpha值为0.357，两个子维度的Cronbach alpha分别达到了0.721和0.739，这意味着企业外部环境不确定性量表存在两个不同的维度，在分析环境不确定性对理论模型的影响时，应该分别考虑市场不确定性和技术不确定性两个维度的效应。
5.集群知识分布量表因子分析与内部一致性分析结果
对集群知识分布量表的KMO测度为0.725，属于比较适合因子分析的数据；另外，Bartlett球形检验的卡方值为291.564，统计显着性概率为0.000，小于1%，也说明该数据具有相关性，适合做因子分析。
对集群知识分布量表的探索性因子分析结果表明，从集群知识分布量表的4个题项中，可以提取一个因子，它能够解释总变异量的71.486%；每个因子的载荷都大于0.8。从共同度的分析结果可见，题项的共同度都比较大，表明问卷具有较大的效度。同时，该量表的内部一致系数即Cronbach alpha值为0.862，远大于可接受值0.70，表示量表具有较高的信度。因此，集群知识分布量表具有较高的信度和效度，不需要删除任何题项。
6.集群企业竞争优势量表的因子分析与内部一致性分析结果
集群企业竞争优势量表的KMO测度为0.824，属于比较适合因子分析的数据；另外，Bartlett球形检验的卡方值为292.445，统计显着性概率为0.000，小于1%，也说明该数据具有相关性，适合做因子分析。
对集群企业竞争优势量表的探索性因子分析结果表明，从企业竞争优势量表的4个题项中，可以提取一个因子，它能够解释总变异量的82.727%；每个因子的载荷都大于0.78。从共同度的分析结果可见，题项的共同度都比较大，表明问卷具有较大的效度。同时，该量表的内部一致系数即Cronbach alpha值为0.877，远大于可接受值0.70，表示量表具有较高的信度。因此，集群企业竞争优势量表具有较高的信度和效度，不需要删除任何题项。
上述关于集群企业知识基础、集群企业学习能力、集群知识分布和集群企业竞争优势等变量测量题项的因子分析和内部一致性分析结果表明，本研究所用调研问卷总体上具有较高的信度和效度，这为下面进一步的研究奠定了良好基础。
四、数据分析方法
数据分析所用到的统计方法主要包括因子分析（factor analysis）、相关分析以及层次回归分析（hierarchical regression），数据分析主要通过SPSS13和STATA9统计软件包进行。由于数据分析要验证的集群企业知识传播与竞争优势模型既包含企业学习能力这样的中介变量又包含集群知识分布这样的调节变量，这使得对模型的统计检验存在着一些特殊之处。
下面我们对检验调节效应和中介效应以及有中介的调节效应的数据分析方法作一个简要的介绍。
1.调节效应检验方法
调节变量指影响自变量和因变量之间的关系强度或关系方向的变量。
换句话说，调节变量界定了自变量和因变量之间关系的边界条件。调节变量可以是质化形式的变量（如性别、种族、文化），也可以是量化形式的变量（如奖励水平）。在本研究的模型设定中，集群知识分布、环境不确定性和知识整合能力发挥着调节变量的作用。
对于存在调节变量模型的验证可利用层次回归的方法（温忠麟、侯杰泰和张雷，2005）。假设有自变量X、因变量Y以及调节变量M组成的模型，对这一模型的检验可通过如下步骤进行：
①首先对自变量X和调节变量M做中心化变换（即变量减去其均值）。
②然后做如下层次回归分析：
Y＝aX+bM+cXM（5.1）
③考虑变量XM的系数c，如果该系数统计显着，那么可以推断调节变量M对自变量X与因变量Y之间的关系起调节作用。
2.中介效应检验方法
中介变量是指当自变量X通过影响变量M来影响因变量Y，则称M为中介变量，相应地就称变量M在自变量X与因变量Y之间起中介效应。