2.集群知識分布對企業知識基礎與學習能力關係調節效應的回歸分析結果
本研究以集群企業知識基礎為自變量、學習能力為因變量，采用層次回歸方法分析了集群知識分布對知識基礎與學習能力關係的調節效應。
層次回歸的結果如表5.11所示。根據表5.11的統計信息，所有變量的VIF取值都接近1，表明不存在多重共線性問題。
為了驗證集群知識分布的調節效應，筆者采用溫忠麟等（2005）和Schwab（2005）推薦的調節效應檢驗方法，將集群企業知識基礎、集群知識分布這兩個解釋變量進行中心化處理，並計算兩者的交互項代入回歸模型4。由統計信息可知，集群知識分布是解釋企業學習能力的重要變量。在模型2中僅考慮了集群企業知識基礎的作用，此時回歸模型的R2為0.239；當把集群知識分布加入回歸模型3後，R2達到0.281，相對模型2增加了17.6%；而把集群企業知識基礎與集群知識分布的交互項加入模型4後，R2達到0.299，相對模型2增加了25.1%。進一步考察模型4中各變量的回歸係數可以發現：納入集群知識分布和交互項後，集群企業知識基礎對於學習能力仍然有著正向的顯著影響（β＝0.293，P＝0.000）；而集群知識分布在0.1的顯著性水平上對這一影響發揮著反向的調節效應（β＝-0.0807，P＝0.078）。因此，研究假設3得到支持。
括號中數值為P值；VIF為所有四個模型中該變量在回歸過程取得的最大VIF值。
為了更清晰地表明集群知識分布的調節效應，可以對模型4用回歸方程的方式對各變量之間的關係進行分解得到式（5.7）（溫忠麟，2005）。
learning＝β0+β1age+β2size+β3cbase
+β4cdistr+β5cbasegcdistr+e（5.7）
對上式調整後可重新寫為：
learning＝β0+β1age+β2size
+（β3+β5cdistr）cbase+β4cdistr+e（5.8）
由式（5.8）可知，集群企業知識基礎與學習能力的關係由β3+β5cdistr來刻畫，其中的係數β5衡量集群知識分布調節效應的大小和方向。而表5.11的模型4表明β5顯著為負，因此集群知識分布對集群企業知識基礎與學習能力的關係發揮反向調節效應（見式5.9），即集群知識分布的異質性越大，集群企業知識基礎對學習能力的促進作用就越弱。
learning＝5.299+0.000853age+0.000041size+（0.293+0.0807cdistr）cbase+0.187cdistr+e（5.9）
為了更加形象地表述集群知識分布的這一調節效應，筆者采用Cohen等（2003）推薦的方法，將集群知識分布變量高於均值一個標準差的值和低於均值一個標準差值代入式（5.9）中，保持企業年齡和規模這兩個變量不變，得到有關集群企業學習能力與知識基礎的兩條回歸直線。
可以看出，在集群知識分布異質性較低的集群中，具有較高知識基礎的集群企業能夠獲得更高的學習能力，而在集群知識分布異質性較高的集群中，集群企業的知識基礎對學習能力的促進作用就被削弱了。
綜合以上分析我們知道，集群知識分布對集群企業知識基礎與學習能力之間的關係發揮反向調節作用，因此，研究假設3得到支持。
在對集群知識分布調節效應分析的基礎上，筆者結合理論模型和第五章第四節對學習能力中介效應的分析，發現集群知識分布很可能通過學習能力對集群企業的競爭優勢產生影響，即集群知識分布是一個有中介的調節變量（mediated moderator）（溫忠麟等，2006）。溫忠麟等（2006）認為在模型建立和分析過程中同時考察調節變量和中介變量的作用對於理論的深化和實踐應用有著重要的意義。基於此，筆者根據溫忠麟等（2006）提出的有中介的調節效應檢驗程序，采用層次回歸方法對集群知識分布的調節效應和集群企業學習能力的中介效應進行了整合分析。