在本研究的模型设定中，企业学习能力在企业知识基础与竞争优势之间起中介作用，即企业知识基础是通过学习能力来影响其竞争优势。
和调节效应相比，对中介效应的检验要相对复杂。中介效应检验方法有两类：回归系数判别和回归系数约束检验。由于方法相对简单和统计检验力较高，当前研究中较常使用的是回归系数判别法。
Baron和Kenny（1986）提出了一个检验中介效应的回归系数判别标准：当下面两个条件成立，则中介效应显着：①自变量显着影响因变量。
②在因果链中任一个变量，当控制了它前面的变量（包括自变量）后，显着影响它的后继变量。Judd和Kenny（1981）指出，如果进一步要求：③在控制了中介变量后，自变量对因变量的影响不显着，则中介变量发挥完全中介效应。
用回归方程组的语言来说，中介效应的检验是通过如下三个回归来完成：
Y＝cX+e1（5.2）
M＝aX+e2（5.3）
Y＝c′X+bM+e3（5.4）
其中，c是X对Y的总效应，ab是经过中介变量M的中介效应（mediating effect），c′是直接效应。只有一个中介变量M时，效应之间有如下关系：
c＝c′+ab（5.5）
中介效应大小用c-c′＝ab来衡量。中介效应与总效应之比ab/（c+c′）、中介效应与直接效应之比ab/c′都可以衡量中介效应的相对大小。
然而传统的这一检验方法，发生第二类错误的概率较大。针对这一情况，温忠麟等（2004）提出了一个检验中介效应的方法，使得第一类错误率和第二类错误率都比较小，而且该方法既可以检验部分中介效应，又可以检验完全中介效应。这一方法的检验程序如下。
①检验回归系数c，如果显着，继续下面的第2步。否则停止分析。
②做Baron和Kenny（1986）部分中介检验，即依次检验系数a、b，如果都显着，意味着X对Y的影响至少有一部分是通过中介变量M实现的，第一类错误率小于或等于0.05，继续下面第3步。如果至少有一个不显着，由于该检验的功效较低（即第二类错误率较大），所以还不能下结论，转到第4步。
③做Judd和Kenny（1981）完全中介检验中的第三个检验（因为前两个在上一步已经完成），即检验系数c′，如果不显着，说明是完全中介过程，即X对Y的影响都是通过中介变量M实现的；如果显着，说明只是部分中介过程，即X对Y的影响只有一部分是通过中介变量M实现的。
检验结束。
④做Sobel（1982）检验，如果显着，意味着M的中介效应显着，否则中介效应不显着。检验结束。
其中的Sobel检验统计量为：
z＝＾a＾b/Sab（5.6）。
3.有中介的调节效应检验方法
实际上在本研究的理论框架中同时包含了调节变量和中介变量。集群知识分布对企业的知识基础与企业学习能力的关系起着调节作用，企业学习能力在企业知识基础与竞争优势之间起着中介作用，因此企业知识基础对竞争优势的作用受到集群知识分布这一调节变量的影响，而且这一调节作用同样也可能通过企业学习能力为中介对竞争优势产生影响。根据温忠麟等（2006）的研究，集群知识分布实际上是一个有中介的调节变量（mediated moderator）。他们的研究指出，对于有中介的调节效应检验可以通过以下层次回归来完成（假设有自变量X，因变量Y，中介变量W，调节变量U）：
①做Y对X、U和UX的回归，UX的系数显着（这一步说明U对Y与X关系的调节效应显着）；
②做W对X、U和UX的回归，UX的系数显着；
③做Y对X、U、UX和W的回归，W的系数显着。
如果在第③步中，UX的系数不显着，则U的调节效应完全通过中介变量W而起作用，否则W变量只是部分中介U的调节效应。
第四节研究结果
一、描述统计与相关分析结果
数据整合后各主要变量的均值、标准差、Pearson相关系数及统计显着性。下面笔者采用相关分析方法对研究变量之间的关系进行初步探讨。相关性分析是研究两个变量之间的相互关系，从而对它们之间的关系进行推理的方法。通常来说，相关系数的绝对值介于0.7～1.0时，代表两个变量高度相关；而当相关系数的绝对值介于0.3～0.7时，表示两个变量之间具有中等程度的相关；而当相关系数的绝对值介于0～0.3之间时，两个变量之间就只是低度相关。
可知，企业知识基础与学习能力之间存在着显着正相关（r＝0.48，P＜0.01），这意味着企业的知识基础对于它识别、获取外部知识的学习能力有着重要的影响，研究假设1得到初步支持。集群企业学习能力与竞争优势呈显着正相关（r＝0.457，P＜0.01）；集群企业知识基础与竞争优势呈显着正相关（r＝0.426，P＜0.01），这意味着学习能力对竞争优势有着正向影响，研究假设2得到初步支持。企业的知识整合能力与竞争优势和学习能力之间存在着显着的正相关（r＝0.438，P＜0.01和r＝0.283，P＜0.01）。市场不确定性与竞争优势之间存在着显着的正相关（r＝0.270，P＜0.01），但技术不确定性没有发现这种关系。此外，对控制变量的考察发现，企业年龄与集群企业学习能力和竞争优势之间并不存在显着的相关性，而企业规模与集群企业竞争优势之间存在显着正相关。
考虑到相关性分析只能说明变量之间是否存在关联，而无法说明变量之间的影响大小及因果关系。为此，下面将借助回归分析方法来对研究假设予以检验。
二、回归分析结果
本研究采用层次回归（hierarchical regression）分析方法（Schwab，2005）对理论模型中的相关假设进行了统计检验。在回归的过程中，笔者对回归结果进行了多重共线性检验。变量之间的多重共线性程度通常用方差膨胀因子VIF（variance inflation factor）的大小来衡量，通常认为在1～5之间可以接受，接近1为最佳（Baum，2006）。根据回归分析的研究，只有通过共线性检验，获得的信息才具备可靠性和稳健性（伍德里奇，2007）。
此外由于对调节效应的层次回归分析（hierarchical regression）中需要加入多个交互项，而这将会带来较为严重的共线性问题（Cohen等，2003），因此，笔者遵循以往研究的惯例（Schwab，2005；Tsai，2001；温忠麟等，2005），将构建交互项的变量中心化后再进行乘积来计算交互项。
1.企业知识基础作用与学习能力中介效应的回归分析结果本研究以企业知识基础为自变量、学习能力为中介量，采用层次回归方法分析了集群企业知识基础对学习能力的直接效应以及学习能力对知识基础与竞争优势关系的中介效应。根据表5.10的统计信息，所有的VIF取值都接近1，表明不存在多重共线性问题。在模型4中，企业知识基础对学习能力存在显着的正向影响（β＝0.38，P＝0.000），而企业年龄和企业规模对于学习能力没有显着的影响。
因此，研究假设1得到支持。
括号中数值为P值；VIF为所有四个模型中该变量在回归过程取得的最大VIF值。
本研究采用温忠麟等（2004）推荐的检验程序进一步分析了学习能力对集群企业知识基础与竞争优势关系的中介效应。笔者在模型4的基础上，首先将竞争优势作为因变量、知识基础作为自变量设定了模型2，然后将学习能力作为自变量加入模型2得到模型3。依次分析三个模型的回归分析结果可以发现学习能力的中介效应显着：①在模型2中，集群企业知识基础对其竞争优势存在显着的正向影响（β＝0.362，P＝0.000）；②在模型4中，集群企业的知识基础对学习能力存在显着的正向影响（β＝0.38，P＝0.000）；③在模型3中，集群企业的学习能力对其竞争优势有着显着的正向影响（β＝0.465，P＝0.000），同时集群企业的知识基础对其竞争优势在0.1的显着性水平上存在正向影响（β＝0.186，P＝0.065）。由此可知，学习能力的中介效应成立，但它发挥的是部分中介的作用，即企业知识基础对于其竞争优势存在着直接效应，中介效应占知识基础总效应的比重为48.7%。因此，研究假设2得到支持。
在上述结果中我们发现，企业年龄和企业规模对集群企业学习能力的影响作用不大，而关键的因子是企业的知识基础。此外，集群企业的知识基础一方面以学习能力为中介变量促进企业竞争优势的形成，另一方面对企业竞争优势也有着直接的正向效应，而企业年龄对竞争优势并未产生显着影响，但企业规模和竞争优势之间存在着显着的正向联系。
2.集群知识分布对企业知识基础与学习能力关系调节效应的回归分析结果
本研究以集群企业知识基础为自变量、学习能力为因变量，采用层次回归方法分析了集群知识分布对知识基础与学习能力关系的调节效应。
层次回归的结果如表5.11所示。根据表5.11的统计信息，所有变量的VIF取值都接近1，表明不存在多重共线性问题。
为了验证集群知识分布的调节效应，笔者采用温忠麟等（2005）和Schwab（2005）推荐的调节效应检验方法，将集群企业知识基础、集群知识分布这两个解释变量进行中心化处理，并计算两者的交互项代入回归模型4。由统计信息可知，集群知识分布是解释企业学习能力的重要变量。在模型2中仅考虑了集群企业知识基础的作用，此时回归模型的R2为0.239；当把集群知识分布加入回归模型3后，R2达到0.281，相对模型2增加了17.6%；而把集群企业知识基础与集群知识分布的交互项加入模型4后，R2达到0.299，相对模型2增加了25.1%。进一步考察模型4中各变量的回归系数可以发现：纳入集群知识分布和交互项后，集群企业知识基础对于学习能力仍然有着正向的显着影响（β＝0.293，P＝0.000）；而集群知识分布在0.1的显着性水平上对这一影响发挥着反向的调节效应（β＝-0.0807，P＝0.078）。因此，研究假设3得到支持。
括号中数值为P值；VIF为所有四个模型中该变量在回归过程取得的最大VIF值。
为了更清晰地表明集群知识分布的调节效应，可以对模型4用回归方程的方式对各变量之间的关系进行分解得到式（5.7）（温忠麟，2005）。
learning＝β0+β1age+β2size+β3cbase
+β4cdistr+β5cbasegcdistr+e（5.7）
对上式调整后可重新写为：
learning＝β0+β1age+β2size
+（β3+β5cdistr）cbase+β4cdistr+e（5.8）
由式（5.8）可知，集群企业知识基础与学习能力的关系由β3+β5cdistr来刻画，其中的系数β5衡量集群知识分布调节效应的大小和方向。而表5.11的模型4表明β5显着为负，因此集群知识分布对集群企业知识基础与学习能力的关系发挥反向调节效应（见式5.9），即集群知识分布的异质性越大，集群企业知识基础对学习能力的促进作用就越弱。
learning＝5.299+0.000853age+0.000041size+（0.293+0.0807cdistr）cbase+0.187cdistr+e（5.9）
为了更加形象地表述集群知识分布的这一调节效应，笔者采用Cohen等（2003）推荐的方法，将集群知识分布变量高于均值一个标准差的值和低于均值一个标准差值代入式（5.9）中，保持企业年龄和规模这两个变量不变，得到有关集群企业学习能力与知识基础的两条回归直线。
可以看出，在集群知识分布异质性较低的集群中，具有较高知识基础的集群企业能够获得更高的学习能力，而在集群知识分布异质性较高的集群中，集群企业的知识基础对学习能力的促进作用就被削弱了。
综合以上分析我们知道，集群知识分布对集群企业知识基础与学习能力之间的关系发挥反向调节作用，因此，研究假设3得到支持。
在对集群知识分布调节效应分析的基础上，笔者结合理论模型和第五章第四节对学习能力中介效应的分析，发现集群知识分布很可能通过学习能力对集群企业的竞争优势产生影响，即集群知识分布是一个有中介的调节变量（mediated moderator）（温忠麟等，2006）。温忠麟等（2006）认为在模型建立和分析过程中同时考察调节变量和中介变量的作用对于理论的深化和实践应用有着重要的意义。基于此，笔者根据温忠麟等（2006）提出的有中介的调节效应检验程序，采用层次回归方法对集群知识分布的调节效应和集群企业学习能力的中介效应进行了整合分析。
