实证方案设计

四、实证方案设计

1.调查问卷设计

企业营销绩效评价在本质上是一个量化分析的过程，即用数字反映评价方对企业营销绩效的衡量。本研究的调查问卷目的是要测量企业对营销绩效诸方面在绩效评价中重要程度的看法，需要对测量量表进行等级区分，在此本书借鉴里克特（Likert）量表的设计思想，将所测指标的重要性程度设为五级。在问卷回收后，按重要性程度对其进行赋值，赋值标准如表7‐8所示。

表7‐8　指标赋值标准

用数字表征指标的评价状态是为了便于进行后续的统计分析。此外，问卷在指标的语言表达上考虑到企业可能对某项不熟悉的指标含义不甚明了，故对此类指标尽量用通俗化的语言进行转述，以希望被调查者能够较为准确地对其进行把握。

2.数据采集与样本描述

本次的问卷调查以浙江省较为典型的集群企业为调查对象，每个企业作为一个样本，调查涉及海宁经编产业集群、柳市电器产业集群、濮院针织产业集群、大唐袜业等多个产业集群，发放问卷330份，回收问卷131份，去除不合格问卷13份，得到有效问卷118份，有效回收率为35.7%。问卷的调查对象主要面向企业负责市场营销管理的主管、总监等高层管理者，为使其能够真实表达自己对调查项目的认识，调查采取匿名方式并向其特别说明所填写的问卷信息将予以严格保密。

3.因子分析对指标体系的修正

本部分将采用SPSS15.0统计软件对指标体系进行因子分析并效度与信度检验，对指标体系进行进一步的修正。

因子分析是一种通过显性变量测评隐性变量，通过具体指标测评抽象因子的统计分析方法，最早由心理学家Chales Spearman在1904年提出。它的基本思想是将实测的多个指标，由少数几个潜在的指标（因子）的线性组合表示。因子分析主要应用于两个方面：一是寻求基本机构，简化观测系统；二是对变量或样本进行分类。因子分析就是利用“降维”的思想，通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个“抽象”的变量来表示其基本的数据结构。

（1）问卷数据的统计性描述（见表7‐9）

表7‐9　Descriptive Statistics

（2）因子分析与信度检验

下面将按综合指标分类，依次做因子分析。

①企业单元绩效评价系统

指标体系能否进行因子分析，首先要测量其KMO值和巴特莱特球体检验：当KMO值在0.9以上时被认为是非常适合；0.8～0.9时，很适合；0.7～0.8时，适合；0.6～0.7时，不太适合；0.5～0.6时，很勉强。而巴特莱特球体检验的统计值的显著性概率小于等于显著性水平时可以做因子分析（马庆国，2002），见表7‐10。

表7‐10　企业单元系统KMO and Bartlett摧s Test（1）

从表7‐10中我们可以看到KMO值为0.742，说明这组数据适合做因子分析（＞0.7）。同时我们可以看到巴特莱特球体检验统计值的显著性概率是0.000，小于0.01，说明数据阵列具有相关性，统计数据适宜做因子分析。

通过因子旋转后得到的因子载荷矩阵如表7‐11所示。

表7‐11　企业单元系统旋转后的因子载荷矩阵Rotated Component Matrix（1）

续表

Extraction Method：Principal Component Analysis.　

Rotation Method：Varimax with Kaiser Normalization.

a　Rotation converged in 6 iterations.　　　　　

在因子最大旋转检验中，Weiss（1970）认为当测量项的因子载荷小于0.5时，可删除该条目；当剩余测量项的因子载荷都大于0.5且解释方差的累计比例大于50%时，则表示测量项是符合要求的。从表7‐11中我们可以看到“产品性价比”与“营销费用”指标在主成分的因子载荷均未达到0.5以上，应剔除该指标，并重新进行因子分析。在剔除“产品性价比”及“营销费用”后，KMO值和巴特莱特球体检验结果如表7‐12所示：

表7‐12　企业单元系统KMO and Bartlett's Test（2）

从表7‐12中我们可以看到KMO值为0.740，说明这组数据适合做因子分析（＞0.7）。同时我们可以看到巴特莱特球体检验统计值的显著性概率是0.000，小于0.01，说明数据阵列具有相关性，统计数据适宜做因子分析。

因子最大旋转后，得到的因子载荷矩阵如表7‐13所示。

表7‐13　企业单元系统旋转后的因子载荷矩阵Rotated Component Matrix（2）

Extraction Method：Principal Component Analysis.　

Rotation Method：Varimax with Kaiser Normalization.

a　Rotation converged in 6 iterations.　　　　　

从表7‐13中我们可以看到，旋转后各项指标的因子载荷均大于0.5，因子分析产生了5个主成分，其中共同因素所包含的指标个数不少于3个（如果共同因素所包含的项目太少，则不适合构成一个独立项），这说明因子分析在共同因素萃取上的结果是比较令人满意的。因子分析结果显示“产品质量”、“价格竞争力”、“服务与技术支持”构成一项；“新产品数量”、“新产品收益”、“新产品技术”构成一项；“市场占有率”、“企业声誉”、“产品知名度”、“客户满意度”构成一项；“利润”、“销售额”、“销售增长率”、“货款回收率”构成一项；“营销信息系统”、“营销战略制定”、“营销组织运作”、“营销与其他部门的协调性”构成一项。由于“产品质量”、“价格竞争力”、“服务与技术支持”、“新产品数量”、“新产品收益”、“新产品技术”共同反映企业产品方面的特性，故我们将这两个主成分合并为“产品”指标项，作为一级指标。其余各主成分依据其构成依次命名为“竞争地位”、“营销财务”、“过程控制”三个一级指标。

总方差分析如表7‐14所示。

表7‐14　Total Variance Explained

从表7‐14中可以看到，因子分析产生的主成分的特征值均大于1，这说明其包含的因子是有意义的。而从总方差分解表可以看到主成分对方差的累计解释变异为71.546%，大于50%，表明它涵盖了原有指标大部分的信息。

下面对指标体系进行信度检验。

信度反映了测验工具所得结果的一致性或稳定性，是被测特征真实程度的表示，因而信度分析又称可靠性分析。诸多信度检验方法中Cronbach's α检验是较为常用的一种，用其度量综合评价体系是否具有一定稳定性和可靠性。不同的研究者对信度系数的界限值有不同的看法，一般认为，0.60～0.65不可信；0.65～0.70是最小可接受值；0.70～0.80相当好；0.80以上就是非常好。因此，一份信度系数好的量表或问卷最好在0.80以上，0.70～0.80还算是可以接受的范围（刘大海，2008）。

企业单元系统的Cronbach's α信度检验结果如表7‐15所示：

表7‐15　企业单元系统的Cronbach's α

从表7‐15中可以看到，各部分的Cronbach's α信度检验值均大于0.7，说明企业单元指标体系的信度较好。

②集群单元绩效评价系统

KMO值和巴特莱特球体检验，如表7‐16所示：

从表7‐16中我们可以看到KMO值为0.733，说明这组数据适合做因子分析（＞0.7）。同时我们可以看到巴特莱特球体检验统计值的显著性概率是0.000，小于0.01，说明数据阵列具有相关性，统计数据适宜做因子分析。

表7‐16　集群单元系统KMO and Bartlett's Test（1）

旋转因子载荷矩阵见表7‐17。

表7‐17　集群单元系统旋转后的因子载荷矩阵Rotated Component Matrix（1）

Extraction Method：Principal Component Analysis.　

Rotation Method：Varimax with Kaiser Normalization.

a　Rotation converged in 3 iterations.　　　　　

从表7‐17中可以看到，“第三方组织协调”最大旋转后因子载荷小于0.5，不符合检验标准，应当予以剔除，并对剔除后的指标重新进行KMO值和巴特莱特球体检验。剔除“第三方组织协调”后，KMO值和巴特莱特球体检验结果如表7‐18所示。

从表7‐18中我们可以看到KMO值为0.735，说明这组数据适合做因子分析（＞0.7）。同时我们可以看到巴特莱特球体检验统计值的显著性概率是0.000，小于0.01，说明数据阵列具有相关性，统计数据适宜做因子分析。

表7‐18　集群单元系统KMO and Bartlett's Test（2）

最大旋转因子载荷矩阵及总方差分解见表7‐19。

表7‐19　集群单元系统旋转后的因子载荷矩阵Rotated Component Matrix（2）

Extraction Method：Principal Component Analysis.　

Rotation Method：Varimax with Kaiser Normalization.

a　Rotation converged in 3 iterations.　　　　　

总方差分析如表7‐20所示。

表7‐20　Total Variance Explained

Extraction Method：Principal Component Analysis.

从旋转后因子载荷表可以看到，最大旋转后各因子载荷均大于0.5，且分析显示，6项指标可归为两类。原“营销整合”子系统中的“分销网络”项被分离，与“关联企业协调度”共同构成新的“社会资本”子系统；而“联合研发”、“联合定价”、“联合促销”、“集群品牌”构成新的“营销整合”子系统。虽然在“社会资本”项中指标个数少于3个，但本研究认为“社会资本”项与“营销整合”独立将更准确地说明问题并且条理清晰，故保留“社会资本”作为独立项。另外，两大主成分的特征值均大于1，且两萃取因子累计解释方差变异为74.188%，说明该部分能够涵盖原指标大部分信息，满足检验条件。对“社会资本”、“营销整合”子系统分别进行Cronbach's α信度检验，其结果如表7‐21所示。

表7‐21　集群单元系统的Cronbach's α

从表7‐20可以看到，“社会资本”、“营销整合”子系统Cronbach's α信度检验值分别为0.814、0.833，整体信度为0.806，均大于0.7，说明两子系统的调查数据信度较好，可以接受。

（3）效度检验

效度与信度都是构想的概念，都是相对于某量表（测量工具）和测量目的而言的，具有相对性（柯惠新，2005）。在信度与效度的关系中，信度是效度的必要不充分条件，即有信度并不一定具有效度。效度问题更直接地影响到整个研究的价值，如果量表的设计不能充分地显示所要研究的主题，那么整个研究就失去了意义。

效度检验最理想的方法是利用因子分析来测量量表的结构效度。研究者在设计问卷和量表时实际上是假设有某种结构存在，通过因子分析可以考察所用的量表是否能测量出真正的结构，从而也验证研究者的假设是否成立。也就是说，结构效度可测度评价体系表征理论概念或特质的程度。

最大旋转后因子载荷矩阵如表7‐22所示。

表7‐22　Rotated Component Matrix

Extraction Method：Principal Component Analysis.　

Rotation Method：Varimax with Kaiser Normalization.

a　Rotation converged in 6 iterations.　　　　　

从表7‐22中可以看到，经过最大旋转，指标体系与原理论构想基本一致：指标体系分为7个子系统（原构想中，表中的前两部分合成“产品”子系统）；且除去未通过检验指标外，各子系统指标归属清晰，与原设计基本一致；只有原“社会资本”子系统加入“营销整合”子系统部分的“分销网络”指标后重新构建。整体看来，整个指标体系具有较好的结构效度，可以通过效度检验。

此外，从指标体系整体的碎石图分布及总体累计解释方差变异情况可以看出，因子分析产生的各主成分特征值均大于1，且主成分对方差的累计解释变异为73.164%，大于50%，涵盖了原有指标大部分的信息，指标体系因子分析的数据表现是比较良好的。对在因子分析中被剔除的“产品性价比”、“营销费用”、“第三方组织协调”指标可以试做如下的解释：虽然产品性价比能够有效地表征企业产品的市场竞争力，反映产品的市场潜力，但其缺乏统一性的衡量标准与认识，在企业间甚至企业内部因追求产品创新或差异化的不同而产生的性能及性能的价值方面是较难以有一个共性的判断的。营销费用在专家意见征询中被达成广泛的共识，它是一个衡量企业营销成本的重要方面，可以对营销的绩效有一个很好的注解和权衡，但在问卷调查过程中发现企业对该项指标的认识程度表现出较大的差异性，这可能与企业发展阶段、发展战略及企业家对问题的认识有关；第三方组织协调是一个可以反映集群企业营销特点的指标，但在数据分析中也被剔除了，分析原因可能是我国的产业集群在软硬件设施的建设及协调上还没有得到实质性进步，培训、咨询及行业协会的作用并不明显、缺乏向心力，企业对其功能作用的认识不足，企业发展主要依靠企业自身的努力，企业借助第三方组织的方面较少。

指标体系整体方差累计解释如表7‐23所示。

表7‐23　Total Variance Explained

续表

Extraction Method：Principal Component Analysis.

于是，综上经过因子分析修正后的集群环境下企业营销绩效评价指标体系结构为2个维度、6个子系统及24个指标，具体如表7‐24所示。

表7‐24　集群环境下企业营销绩效评价指标体系（因子分析修正）