中国蔬菜产业链组织模式与效率研究成果

第五章　蔬菜产业链组织效率模型的构建与检验

第四章对我国蔬菜产业链组织模式进行了界定与划分，并对蔬菜产业链组织模式变迁的趋势进行了描述和分析。本章将对蔬菜产业链的另一个重要方面组织效率进行研究。首先阐述组织与组织效率的基本概念与内涵，随后分析影响蔬菜产业链组织效率的相关因素，并构建蔬菜产业链组织效率模型，最后利用相关数据对笔者提出的相关假说给予验证。

5．1　组织与组织效率的概念与内涵

在对组织效率进行具体研究之前有必要对“组织”和“组织效率”这两个基本概念进行解释和界定。“组织”一词在《新华字典》、《辞海》等工具书中至少有两个层面的含义：第一，“组织”（Organization）作为名词，它表示：（1）按一定的任务、目的建立起来的集体，如党组织；（2）表示事物的组成系统或各部分之间的关系，如组织关系；（3）表示多细胞动、植物体中构成器官的基本单位，如肌肉组织；（4）表示纺织品经纬的结构，如斜纹组织的布。由此可以得出，组织作为名词时主要是指一个集体或系统，在经济学和管理学中，按照系统论的思想可以将组织的名词形式概括为，为实现一个共同目标，具有一定边界的社会活动系统的集合。第二，“组织”（Organize）作为动词，表示有目的、有秩序、有系统地将人或物结合起来，如组织演出。其主要表示为实现一定的目的，而进行的一种活动。

“组织”的名词含义和动词含义是经常交织在一起使用的，在现实生活中为了实现一个目的，必须对一定的人、财、物进行组织、安排和配置，当人、财、物结合在一起时，其就是一个系统或团体，而这个系统或团体为了实现目标，则又通过各种手段（组织方式）来达到具体的目的。正是组织的名词含义和动词含义总是同时出现的，因此我们在讨论组织一词时经常产生偏差。通过对“组织”一词的名词含义和动词含义的区分，我们同样可以将“组织效率”分为两个层面，即一个组织（名词）的效率和（人、财、物）组织（动词）起来的效率。那么，这两个含义的“组织效率”之间有何联系呢？其实依据经济学理论的一个最重要假设——资源的稀缺性——就能很好地理解这两者的关系。

当一个组织成立起来之后，它必然掌握有一定的资源，并希望通过这些资源实现其组织的具体目标。但是资源是稀缺的，那么就需要进行配置，即这些稀缺的资源应该分配给谁，分配给哪些部门等等。而要解决这个问题，则必须要考察哪些人或哪些部门能够在获得这些资源后，通过有效的组织方式、组织手段来最大限度地发挥效率，这也就是我们常说的组织过程的效率高低。而当组织（名词）将有限的资源配给了最能发挥和实现资源效率的人或部门时，我们就说这个组织（名词）的效率是高的。由此我们可以得出，一个组织（名词）的效率的高低，是通过具体的组织过程得以实现的，而组织过程的最终结果反过来作为评价的指标来反映一个组织（名词）的效率高低。也即，我们可以通过组织过程的一些具体结果来评价一个组织效率的高低，这些客观的结果既反映了组织（名词）的效率，也同时反映了组织（动词）过程的效率。鉴于此，本章研究的蔬菜产业链组织效率实际涵盖了“组织效率”的两个层面，也就是要通过组织过程的一些最终结果，如物流效率、资金运行效率、信息流通效率等具体指标，来反映组织的效率和组织过程的效率。

5．2　组织效率的相关文献

笔者查阅了国内外相关文献发现，国内外学者很少将组织效率的两个层面进行清晰的表述，但大部分学者又自觉地用组织的某些具体指标对组织效率进行衡量和反映。关于组织效率的研究主要集中在工业企业领域，早期研究企业组织效率时多用企业财务指标、企业经营绩效指标代替或反映组织效率，这一现象在对上市公司的研究中表现得更为明显。对企业组织效率的替代性指标主要包括企业的财务指标，如Tobins值、净资产收益率、主营业务利润率、销售利润率、资产现金流回报率等，但是运用财务指标和经营绩效指标往往只能反映企业资金使用的效率，因此国内外学者在评价企业组织效率时进行了扩展。

Skinner（1969）在对制造业企业的绩效衡量时提出使用企业成本、企业产品品质、企业交易期和企业交易弹性四个方面的指标来反映企业绩效。Campbell（1977）在研究企业组织效率时整理了五类三十多个衡量指标，这五类指标主要包括：企业生产力效率，主要使用产量的相关指标进行反映；企业整体绩效，主要通过由员工或管理者对公司内部相关内容进行共同评价；员工满意度指标；财务绩效指标，主要使用获利能力、成长能力、资产报酬率衡量；员工流动和稳定性。Venkatraman和Ramanunijam（1986）将企业的相关评价指标划分为财务绩效、商务绩效、组织绩效三个方面，将组织绩效单独作为企业绩效的组成部分。Delaney和Huselid（1996）指出评价企业绩效时可以将企业的相对指标划分为企业的组织绩效和企业的市场绩效两个部分，并结合两部分的绩效结果最终评价企业管理和经营的效果。由此可以看出，随着对企业管理研究的细分，企业的组织绩效已经成为评价企业绩效的一个重要组成部分。国内对于企业绩效的评价主要是用企业的经营绩效作为替代指标进行研究。陈晓和江东（2000）选用了净资产收益率和主营业务利润率两个指标作为衡量公司经营绩效的变量进行研究。陈小悦和徐晓东（2001）运用净资产收益率和主营业务资产收益率对企业经营绩效进行研究。姚俊等（2004）对国内上市公司和经营绩效的研究进行了总结，主要运用资产回报率、资产现金流量、资产费用率、销售成长率等一些财务指标进行衡量和评价。

对于单一企业的绩效评价可以使用财务性或经营性的指标进行评价，但是随着市场的快速发展，供应链、产业链的兴起，单纯地依靠评价单个企业的财务绩效或者经营绩效是很难客观评价供应链和产业链的组织效率的。为此国内外学者通过构建相应的评价指标和模型进行了探索。

国外学者Winter（1995）在研究企业战略联盟时指出，越来越多的战略联盟企业更多地从消费者满意的角度来审视企业间的合作绩效，也即以满足消费者需求作为评价战略联盟绩效的最终落脚点，参与战略联盟的企业所做的努力都是为了满足和提高最终消费者的满意度；Ellram（1996）对供应链的合作伙伴之间的信任和承诺进行了研究，研究表明供应链合作伙伴之间的相互信任能够有效地降低供应链的相关成本，能够使供应链更具竞争优势，并将合作伙伴之间的信任和承诺作为评价供应链组织效率的重要方面；Ziggers（1999）在研究农业产业垂直合作的过程中指出，要维持农业产业的垂直合作稳定运行，必须使参与企业有明确的战略目标，并且在链接过程中必须确保利润分配的合理，同时组织结构的灵活性也将影响垂直合作，虽然他并没有直接指出应用上述指标进行评价，但我们仍然可以看出在分析多企业合作联盟效率时可以选择上述指标进行评价；Robert等（2002）的研究指出供应链中的企业应对市场环境变换的能力也可以作为评价供应链组织效率的指标之一；Buchlin和Sengupta（1993）则使用供应链的合作效率来代替组织效率进行研究；Mohr J．和Spekman（1994）又将供应链企业间的成本削减加入到评价供应链组织效率的研究中；Van Der Vort（2000）在研究食品供应链的博士论文中，对供应链组织效率的评价指标归纳为成本的削减、风险的降低、信息的传递等几个方面。国内学者王凯和曹芳（2003）在研究农业产业链管理时指出，农业产业链关注的重点主要集中在企业间物流、新技术的采用、资金的分配和使用、信息的传递有效性四个方面；谭涛（2004）在借鉴国内外学者的基础上，较早地运用结构方程对供应链的组织效率进行了探讨，并使用合作效率替代组织效率进行了探索性的研究；张云波（2003）则从供应链柔性化管理的角度研究了供应链组织效率问题；戴化勇（2007）在研究蔬菜质量安全效率时也构建了结构方程模型对蔬菜企业供给蔬菜的安全效率进行了研究。

纵观国内外对企业组织效率和企业间组织效率的研究我们可以得出，目前对组织效率的研究尚没有统一的评价方法，不同产业的差异也使产业链组织效率的研究更为复杂。总体来看对于单个企业组织效率的研究，主要使用单个企业财务指标或经营性指标进行评价，而在企业间的组织效率如供应链组织效率、战略联盟组织效率涵盖的指标更为宽泛，研究者可以根据不同的产业进行具体选择。由于本研究主要关注蔬菜产业中核心企业间的组织效率，因此将从物流、技术、信息传递和资金使用等方面进行评价。

5．3　研究方法的概述

本章研究的主要内容可以概括为三个方面：一是通过已有研究和相关实践确定影响组织效率的相关因素；二是在确定这些影响因素后，构建一个理论模型反映这些因素之间的相互影响程度和影响方向；三是运用数据对理论模型的相关假说进行检验，并最终证明理论模型是否合理。为了达到上述目的必须选择一个科学合理的研究方法进行论证。在已有的统计研究方法中，结构方程模型（SEM）能够较好地满足本章的研究，以下将对结构方程模型进行简要的概述。

5．3．1结构方程的基本特征与适用范围^[1]

结构方程模型是研究社会、自然现象因果关系的统计方法，该方法能够探索和检验相关变量之间的因果关系，而研究变量之间的因果关系是社会科学和自然科学研究领域的重要目标。传统研究变量因果关系的主要统计方法有因子分析法、回归分析法、路径分析法，但这些方法仍存在诸多不足之处。因子分析法有两个较大的缺陷：一是因子分析作为多元统计分析中的一种降维方法，其主要目的是通过研究相关系数矩阵或协方差矩阵的内部依赖关系，将多个变量综合为少数几个，以再现原始变量与因子之间的相关关系，它不能分析构成概念之间的因果关系。因此，它只是为我们进一步讨论因果关系提供一些规律方面有价值的信息。二是因子分析法不具有假说验证机能或学习机能。因子分析法在分析之前不能明确反映数据性质，不能充分表现测量设计，分析结果解释常常受数据本身制约，要体现理论构想比较困难，有些数学前提假设不利于建构理论模型。

回归分析和路径分析是认识因果关系的统计方法。在回归分析中，研究者虽然可以规定因变量和自变量之间的因果关系，并加以量化描述。但是，研究方法论告诉我们，因果关系是不可能完全依据回归分析来证明的。在回归模型中表述的变量之间的因果关系即使很好地拟合了数据，也不能完全肯定它实际上存在，因为在模型中将因变量和自变量互换，也同样可能很好地拟合数据。因此严格地说，回归分析在研究中所起的作用不是确证因果关系，而是确认因变量和自变量的关系是否存在。路径分析是回归分析的一种延伸，它与一般的多元线性回归分析不同之处在于克服了回归分析未能考虑变量间时间先后的缺点，将变量按客观事物发生的先后顺序建立关系，加入了中间变量，间接推论变量之间的因果关系，实际上路径分析模型可看成几个一般回归分析的组合，也就是说，回归分析和路径分析只是处理观测变量之间的因果关系，而不涉及构成概念之间的因果关系。

正是基于因子分析的不足，Jorcskog在因子分析中导入了假说验证机能，称为验证型因子分析（Confirmatory Factor Analysis），而把以前传统的因子分析称为探索型因子分析（Exploratory Factor Analysis）。研究构成概念的结构方程模型（Structural Equation Modeling，简记为SEM）是一种非常通用的线性统计建模技术。结构方程模型是针对传统统计方法的不足提出来的，其目的一是完善变量结构的探讨；二是在考虑复杂概念测量误差的同时，建立变量间的关系，特别是因果关系，这是传统统计方法难以达到的技术高度。从统计思路上，它的优点是：（1）引入潜在变量使研究更加深入。虽然传统的因子分析也允许对潜在变量设立多元标识，但是，它不能分析潜在变量之间的关系。只有SEM可以将多个潜在变量及其标识置于同一模型中分析，研究它们之间的结构关系。（2）SEM虽然也类似于多元回归、路径分析等利用联立方程组求解，但是又不像多元回归、路径分析那样只能处理有观察值的变量，并且还要假定观察值不存在测量误差。也就是说，SEM没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。（3）发展了路径分析的优势，SEM应用路径图使多变量之间的复杂关系一目了然，克服了路径分析基本假设过多、无法包含潜在变量、不能处理互逆因果关系等缺陷。另外，路径分析采用标准的OLS（最小二乘法）对各个方程分别进行估计，而SEM则是用ML（最大似然法）将模型中所有参数同时进行估计，也只有这样同时考虑多个变量之间的关系，才能排除其他因素的影响，比较准确地估计两个变量之间的因果关系。SEM除了可以计算变量的直接效应外，还能推导出间接效应和总效应，表达中介变量的作用；通过增加乘积项或乘方项变量，表达变量间的交互作用与非线性关系；（4）遵循多变量分析的一般线性模式进行验证型分析，可以把方差分析、回归分析、路径分析、因子分析等传统统计方法包含在SEM的亚模型中，因而更具有广泛的适用性。

5．3．2　结构方程模型

在很多社会学、心理学、经济学和管理学研究中，有些研究变量，如智力、社会阶层、学习动机、企业绩效、组织效率等，均不能直接准确地度量，我们把模型中所涉及的无法直接观察得到的变量称为潜变量（Latent Variable），为了反映这些潜变量，则必须使用一些外显指标（Observable Indicators）去反映这些潜在变量。例如，以学生父母的教育程度、父母职业及其收入等，作为学生家庭社会经济地位（潜在变量）的指标，SEM则能较好地反映这些潜变量和外显指标的关系。

结构方程模型可以划分为测量方程（Measurement Equation）和结构方程（Structural Equation）两大部分。测量方程主要用于描述潜变量（Latent Variable）与外显指标（Observable Indicators）之间的关系；而结构方程则用以描述个潜变量之间的关系。其中潜变量之间的关系是结构方程模型研究的重点。

（1）测量方程（Measurement Equation）

对于潜变量与指标之间的关系通常可以写成如下测量方程：x＝Λxξ＋δy＝Λyη＋ε

其中

x：外源（Exogenous）指标组成的向量，是由q个外源指标组成的q×1向量。

y：内生（Endogenous）指标组成的向量，是由p个外源指标组成的p×1向量。

ξ：外源潜变量，是由n个外源潜变量组成的n×1向量。η：内生潜变量，是由m个内生潜变量组成的m×1向量。Λx：外源指标与外源变量之间的关系，是外源指标的外源潜变量上的因子负荷矩阵，即x在ξ上的q×n因子负荷矩阵。

Λy：内生指标与内生潜变量之间的关系，是内生指标在内生潜变量上的因子负荷矩阵，即y在η上的p×m因子负荷矩阵。

δ：外源指标x的误差项，是由q个测量误差组成的q×1向量。

ε：内生指标y的误差项，是由p个测量误差组成的p×1向量。

（2）结构方程（Structural Equation）

对于各潜变量间的关系，可以用以下矩阵方程表示（Bollen，1989；Joreskog ＆ Sorbom，1993）。

η＝Bη＋Γξ＋ζ

其中结构方程模型界定潜在外生变量（ξ）与潜在内生变量（η）之间的线性因果关系。

η：潜在内生变量（潜在因变量）。

ξ：潜在外生变量（潜在自变量）。

B：结构系数，指潜在内生变量之间因果关系的回归系数矩阵。

Γ：结构系数，指潜在外生变量对潜在内生变量解释的回归系数矩阵。

ζ：潜在内生变量的残差。

结构方程模型的假设包括：

（1）测量方程误差项ε与δ的均值为零；

（2）结构方程残差项ζ的均值为零；

（3）误差项ε、δ和因子η、ξ之间不相关，ε与δ不相关；

（4）残差项ζ与ξ、ε、δ不相关。

除去Λx、Λy、B和Γ这4个矩阵已经在上述测量方程和结构方程中出现，一个完整的结构方程模型还包括φ、ψ、Θε和Θδ。φ为潜变量ξ的协方差矩阵，ψ为残差项ζ的协方差矩阵，Θε、Θδ分别为ε与δ的协方差矩阵。

为了求出全部指标组成的（p＋q）×1向量（y′，x′）的协方差矩阵，可以先求出y、x的协方差矩阵以及它们之间的协方差矩阵。

假设潜变量是中心化的，所以φ＝E（ξ′）；对x＝Λxξ＋δ两边求协方差得到：

φ＝E（Λxξ＋δ）（ξ′Λ′x＋δ′）＝ΛxE（ξξ′）Λ′x＋E（δδ′）

　＝ΛxφΛ′x＋Θδ

所以x的协方差矩阵为：

∑xx（θ）＝ΛxφΛ′x＋Θδ

y的协方差矩阵为：

∑yy（θ）＝ΛyE（ηη′）Λ′y＋Θε

将η＝Bη＋Γξ＋ζ变形为：

η＝（I－B）－1（Γξ＋ζ）η＝珟B（Γξ＋ζ）

其中＝（I－B）－1，隐含模型的一个假设（I－B）是可逆矩阵。由该式

可以求得：

代入E（ηη′）＝珟B（ΓφΓ′＋ψ）珟B′

　　∑yy（θ）＝ΛyE（ηη′）Λ′y＋Θε

y与x的协方差矩阵为：

∑yx（θ）＝E（yx′）＝E［（Λyη＋ε）（ξ′Λ′x＋δ′）］

所以（y′，x′）′的协方差矩阵可以表示为参数矩阵的函数：

∑yy（θ）＝ΛyE（ηη′）Λ′y＋Θε在结构方程模型中，最基本的假设就是∑（θ）等于总体的协方差矩阵∑，即∑＝∑（θ）。从而观测变量（即内生变量和外源变量的指标）的方差和协方差都是模型参数的函数，在分析某一模型时，其实质问题就是研究模型（即变量之间的关系）是否与数据拟合。

5．3．3　结构方程模型的分析策略和步骤

应用结构方程模型研究问题主要有以下四个步骤：

1．模型构建

根据相关理论和前人研究，构建模型框架，并提出相关假说。这个步骤主要是整理与研究密切相关理论以及前人研究结论，为下一步工作做准备。

2．问卷设计与数据搜集

这一步骤主要是根据所构建的模型，设计相应的调查问卷，并搜集和处理对应的数据，为下一步模型检验做必要准备。对于问卷设计的合理性和数据收集的科学性又需要通过以下步骤进行衡量。

（1）调查问卷的内容效度检验

内容效度（Content Validity）指测量样本题项内容或题项的适当性与代表性，即测验内容能反映所要测量变量的特质，能否达到测量所要测量的目的或行为。内容效度常以题目分布的合理性来判断，属于一种命题的逻辑分析，因而内容效度也称为“逻辑效度”。但很多学者在进行问卷设计时往往借鉴前人研究成果来反映命题间的逻辑关系，因此如果一份问卷所包含的命题来自于前人已经证明过的研究，那么可以直接认为它们具有较好的内容效度。

（2）调查问卷的建构效度检验

建构效度（Construct Validity）指的是测验样本能够测量出理论的特质或概念的程度，即实际的测量值能解释某一指标特质的多少。研究根据理论的假设框架，编制和设计相关问卷，经过实际调查搜集数据，进行统计检验，如果验证数据能有效解释样本的某一因素特质，则此样本数据具有较好的建构效度。

（3）调查问卷的信度检验

信度指测验结果的可靠性、一致性。简单地说信度就是指测量数据和结论的可靠性程度，也就是说测量工具能否稳定地测量到它要测量的事项的程度。一般通过Crobachsα和结构方程模型的分析可以得出潜变量的信度。

3．模型检验

这一步骤主要是在前一个步骤的基础上，将所得数据通过结构方程的处理软件，如Amos、Lisrel等进行模型的检验。这一过程具体可以细分为：

（1）模型的识别：决定所研究的模型是否能够求出参数估计的唯一解。

（2）模型估计：模型参数可以采用几种不同的方法来估计，最常用的方法是最大似然法和广义最小二乘法。

（3）模型评价：在取得参数估计值以后，需要对模型与数据之间是否拟合进行评价，并与替代模型的拟合度指标进行比较。

（4）模型修正：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，通过删除、增加或修改模型的参数，以增加模型的拟合程度。

4．模型解释和结果分析

根据前面检验的结果进行分析，并与前文的理论相对照，对检验结果做出合理的解释。

5．4　蔬菜产业链组织效率模型的构建

5．4．1　概念模型与研究假说

为详细研究相关因素对产业链组织效率的影响，本研究根据前人的研究结果以及实际调研的情况预先初步构建如下模型：

图5－1表示的是环境的不确定性、合作能力、合作意向、组织强度与组织效率之间的相互关系的模型框架。这只是一个关于组织效率的初步模型，模型中的相应关系是否正确还有待在模型检验中加以证实，若模型与实际调研数据拟合不高时，则需要对该模型进行修正。其中环境的不确定性、合作能力、合作意向、组织强度与组织效率均用椭圆形进行表示，这些变量称为潜变量，不能直接观测，只能通过相关指标进行评价；箭头则表示相关因素之间的相互关系，箭头指向表示一个因素对另一个因素存在正向或负向的相关影响，因素之间的相关影响是否成立以及影响的大小将通过结构方程（SEM）模型进行检验。图5－1描述了各潜变量之间的相互影响的关系，本研究用H1—H9表示相关假说，具体内容如表5－1所示。

图5－1　组织效率结构模型

表5－1　蔬菜产业链组织效率模型的相关假说

5．4．2　变量解释

（1）环境的不确定性

由第四章可得，组织或企业内外部环境的不确定是交易伙伴之间建立战略伙伴关系的一个重要推动因素。供应商的不确定性、竞争者的不确定性、客户的不确定性以及技术变化的不确定性等都是推动贸易伙伴合作的因素。根据Spekman与Stern（1979）^[2]、谭涛（2004）^[3]、Claro（2004）^[4]和戴化勇（2007）对环境不确定性的研究，结合蔬菜产业核心企业的具体特点，本研究在问卷中涉及的环境不确定性的题项，主要包含两个层次来反映，见下表5－2。

表5－2　环境不确定性（EU）的题项内容

（2）合作意向

蔬菜产业链中企业之间进行链接不是随意产生的，它是在企业与企业的纯市场交易中，企业根据自身业务和发展的需要，通过筛选寻找合适的合作伙伴，最终链接成紧密的产业链。Spekman^[5]等（1996）在描述了战略联盟的形成过程，主要分为联盟意向阶段、联盟形成阶段和联盟管理阶段。在战略联盟链接的早期，链接双方通过彼此间的信任、承诺、沟通以表达合作的意向，并在双方认可的情况下结成链接伙伴。在蔬菜产业链接过程中，同样存在这样一个过程。本研究在问卷中涉及的合作意向的题项见表5－3，分别从信任、承诺和相互依赖性

表5－3　合作意向（CW）的题项内容

三个方面来反映，每一个方面又包含若干题项，该部分的相关题项参考了Anderson和Weitz^[6]（1992）、谭涛（2004）的部分研究成果。

（3）合作能力

产业链的链接与参与企业的合作能力有着直接的联系，从理论上来说，当参与企业的合作能力越强，则其间链接成稳定高效的产业链的可能性也越大。企业合作能力的高低直接影响企业间的链接，企业合作能力可以分为硬性合作能力和软性合作能力两个方面。硬性合作能力是指企业在资金、技术、资源等生产资料方面的能力，而企业软性合作能力则主要是指企业在行业中的地位、商誉、号召力方面的能力。企业的合作能力主要用表5－4的指标加以反映。

表5－4　企业合作能力（CA）的题项内容

（4）组织强度

组织强度主要包含产业链链接稳定性和产业链链接紧密性两个方面。Ziggers（1999）在研究供应链垂直合作时指出，当供应链组织的结构越趋于紧密和稳定时，其组织的运行也表现出更为高效的趋势，特别是在应对突发事件时，紧密的组织结构则表现出更强的反应能力。威廉姆森（1978，2000）在研究企业纵向合作时也指出，当企业间为了对方而从事更多的专有性资产的投资以及更频繁的交易次数时，链接的双方发生机会主义的可能性也就越低，组织强度也表现的更强。本研究在反映组织强度时则从产业链链接稳定性和紧密性两个方面运用相关指标加以反映，具体见表5－5。

表5－5　组织强度（OI）的题项内容

（5）组织效率

根据前人的研究以及对实际的考察，本文的组织效率主要包含：物流效率、资金使用效率、信息沟通效率、技术使用效率四个层面的指标来反映。在调查表中有关质量安全管理效率的题项内容见表5－6。

表5－6　组织效率（OE）题项内容

5．5　问卷设计与概况

前一节主要是根据已有研究和实际情况，构建模型框架，提出相关假说，并对模型中的主要变量加以解释。根据结构方程模型的分析策略和步骤，本节主要阐述笔者根据模型如何进行问卷的设计和数据的收集，并对所收集的数据进行信度和效度的检验。

本研究使用的统计数据来源于调查问卷对实证模型中的环境不确定性、合作意向、合作能力、组织强度和组织效率五个变量的测度。为了保证问卷中各问题项能正确反映模型中的变量，首先进行了相关文献的检索，在参考前人研究的基础上，设计各个问题，对各变量的具体问题的设计如表5－2至表5－6所示。在问题项的测量上，笔者使用了李克特式的量表（Likert－type Scale），该填答方式在心理学、管理学调查中广泛应用，通常为4至6点量表法，其中以5点量表法的内部一致性较佳，常用的选项名称见表5－7^[7]。本研究之所以采用李克特量表是因为在本研究中很多关于企业的数据资料，作者由于并不能掌握必要的资料而无法进行评判，如企业占据一定的垄断市场，合作伙伴链接程度等，这些只有企业内部职员能够给予答复。李克特量表是一种次序变量，在管理学和心理学中，对于涉及主观判断问卷内容的测量具有比较成熟的应用，同时李克特量表能够避免问题项单纯用是或否来回答，其既满足了对主观性判断问题的测度，有能使测度的结果用于定量数据分析。

表5－7　李克特量表选项名称

本研究在调查表的设计过程中主要是从国内外相关研究总结而来，并通过与其他研究人员和企业高级管理人员的讨论，同时结合我国蔬菜产业链的具体情况和特点最终形成。为了保证调查结果对实证研究的有用性，在确保企业顺利填写的前提下，调查表参考了部分前人研究中使用过的调查题项，并根据蔬菜产业链的具体情况进行了适当修改，最终通过对样本数据的效度和信度分析确定模型所用的题项数据。在正式发放问卷前，笔者首先对南京市梅存蔬菜工贸公司等蔬菜企业进行了预调研和访谈，与企业相关人员交换了意见，并对问卷进行修正，最后确定整个问卷与本模型有关的问题项。

调查问卷主要分为两个部分。第一部分是企业总体情况，该部分主要是了解企业的基本经营情况，包括企业的经营范围、企业在产业链中所处的地位、企业的规模以及企业产品的总体质量状况等；第二部分是模型中具体所需数据，主要是环境不确定性、合作意向、合作能力、组织强度和组织效率五个方面的可观测数据，具体调查问卷见附录1。

问卷的调查方法主要采用实际采访、邮寄问卷、网络问答三种方式对我国321家蔬菜核心企业进行信息收集。由于笔者精力有限，对江苏省、安徽省和贵州省的部分蔬菜企业采取了实地采访方式，而对其他省市自治区则采取邮寄问卷和网络问答两种方式进行，三者的调查比例约为3∶5∶2，核心企业具体分类和数量见第四章表4－1。

5．6　问卷数据的效度和信度分析

在通过调查问卷收集到所需数据之后，接下来的工作就是需要分析数据的有效性和可信程度，只有当所得数据被证明是有效和可信的，才能将数据代入结构方程模型中进行实证检验，本节则主要对所得数据进行效度和信度检验。

所谓效度就是指问卷或测量表所能正确测量特定对象的特质程度。当一份问卷或测量表的效度够高，我们则称其适合对某一特定群体的测量是有效的。效度检验主要有内容效度和建构效度。内容效度是指测量样本题项内容或题项的适当性与代表性，即测验内容能反映所要测量变量的特质，能否达到测量所要测量的目的或行为；建构效度是测验样本能够测量出理论的特质或概念的程度，即实际的测量值能解释某一指标特质的多少。由于本研究的调查表中的题项多来自前人研究成果，根据蔬菜产业链的具体情况进行了适当修改，因此各指标调查表具有较好的内容效度，在接下来的问卷数据效度分析中主要考察样本的建构效度。在建构效度检验中最常用的使用方法为因素分析法。因素分析又分为探索性因素分析和验证性因素分析，在预式问卷中所要构造的效度大都适用探索性因素分析。在做探索性因素分析时作者主要采取主成分分析法来估计因素负荷量。在问卷的效度检验之后，还有必要对问卷的可信程度进行检验，这就是所谓的信度检验，在李克特量表中最常用的检验方法为“Cronbachsα”系数和“折半信度”。本研究对于问卷的效度和信度检验所使用的软件为SPSS13．0，所列结果均为软件输出结果。

5．6．1　环境的不确定性的效度和信度检验

5．6．1．1　环境的不确定性的效度

在测度企业环境的不确定性（EU）时，作者选用了两个层面的10个问题进行测度，但这只是作者的主观判断，为此作者必须要对这10个问题进行探索性因素分析，以探讨这些问题是否被正确归类。作者首先对10个问题进行KMO值和Bartletts球形检验，以确定样本是否适合进行因素分析（结果见表5－8）。

表5－8　环境的不确定性问题的KMO值和Bartletts值检验

从表5－8中可以看出，各指标的选取样合适性测度MSA大于0．5，Bartletts球形检验的χ2为1452．431，显著性水平P＝0．000，因此满足因子分析的条件。对上述10个问题运用主成分分析法进行因素分析，结果见表5－9。

表5－9　环境的不确定性问题的解释总量变异量

根据Kaiser准则，选取特征值大于1的因素，上述10个问题可以归纳为两个层面。再对上述10问题进行因子旋转得到如表5－10的结果。

从表5－10中可以得出环境不确定性问题在经过因子旋转后，因素负荷出现了明显的两级分化，其中作者原先设计的OEU题项中除OEU6因子负荷小于0．5而未被选入共同因素一中外，其他各题项都很好地体现在共同因素一中，IEU题项则较好地体现在共同因素二中，则表明作者原先对EU的分层是合理的。造成OEU6题项的因子负荷较小的原因，笔者认为是我国蔬菜产业的核心企业大多处于粗放型经营阶段，行业内尚未出现具有革命性的技术，行业内技术变化相对较弱，其并不是企业外部环境变动的主要原因，因此该变量可以给予剔除。

表5－10　环境的不确定性问题的因子旋转结果

注：将剔除因素负荷量小于0．50的题项。

在剔除OEU6之后作者又进行了探索性因素分析，其结果指标的选取样合适性测度MSA＝0．766＞大于0．5，Bartletts球形检验的χ2 为536．357，显著性水平P＝0．000（df＝36，P＜0．01），满足因子分析的条件，且抽取了两个共同因素OEU和IEU，两个因素的方差贡献率分别为54．731％、16．790％，累计贡献率为71．521％。采取回归方法可以求出因子得分函数，表5－11为企业环境的不确定性因子分析的因子系数矩阵。

表5－11　企业环境的不确定性因子分析的因子系数矩阵

由表5－11的系数矩阵，可以将两个共同因素表示为相应的线性形式：

OEU＝0．405×OEU1＋0．529×OEU2＋0．376×OEU3＋0．317

　　 ×OEU4＋0．319×OEU5－0．006×IEU1－0．019×

　　 IEU2＋0．131×IEU3－0．028×IEU4

IEU＝0．101×OEU1＋0．112×OEU2－0．064×OEU3－0．021

　　 ×OEU4＋0．098×OEU5＋0．827×IEU1＋0．301×IEU2

　　 ＋0．792×IEU3＋0．383×IEU4

根据上述式子计算出两个因子得分，并将得分代入结构方程模型进行实证分析。

5．6．1．2　环境的不确定性的信度检验

经过因素分析之后，笔者对环境不确定性问题的信度进行了检验，检验结果如表5－12所示。

表5－12　环境不确定性（EU）的信度分析

从表5－12可以得出企业外部环境的不确定性（OEU）的信度系数在未删除OEU6前为0．7012，在剔除OEU6后信度系数提高为0．7121，这表示OEU6的删除是合理的，企业内部环境的不确定性（IEU）的信度系数为0．7329，均在可接受的信度范围内，企业环境的不确定性（EU）问题项表现出了较好的信度。

5．6．2　合作意向的效度和信度检验

5．6．2．1　合作意向的效度检验

作者对余下4个变量的效度和信度检验均采取如对企业环境的不确定性（EU）的效度和信度检验的方法，由于篇幅所限，作者将列举主要检验值，并给予必要解释。

对合作意向的11个问题进行KMO值和Bartletts球形检验，具体结果为各指标的选取样合适性测度MSA＝0．892大于0．5，Bartletts球形检验的χ2为1198．468，显著性水平P＝0．000（df＝55，P＜0．01），满足因子分析的条件；对上述11个问题运用主成分分析法进行因素分析，抽取了三个共同因素，进行因子旋转的结果如表5－13所示。

表5－13　合作意向的因子旋转结果

注：将剔除因素负荷量小于0．50的题项。(www.chuimin.cn)

从表5－13中可以得出，作者原先设计的TR、CM、ID题项中除TR4因子负荷小于0．5而未被选入共同因素一中外，其他各题都很好地体现在共同因素中。比较TR4和TR5在问题上有相似之处，存在相互影响，根据因子负荷剔除TR4。在剔除TR4之后重新进行探索性因素分析，其结果指标的选取样合适性测度MSA＝0．839大于0．5，Bartletts球形检验的χ2为1226．790，显著性水平P＝0．000（df＝45，P＜0．01），满足因子分析的条件，且抽取了三个共同因素TR、CM 和ID，三个因素的方差贡献率分别为56．363％、14．190％和11．032％，累计贡献率为81．585％。采取回归方法可以求出因子得分函数，表5－14为合作意向因子分析的因子系数矩阵。

表5－14　合作意向因子分析的因子系数矩阵

由表5－14的系数矩阵，可以将三个共同因素表示为相应的线性形式：

TR＝0．786×TR1＋0．537×TR2＋0．253×TR3＋0．697×TR5

　　＋0．105×CM1－0．066×CM2－0．162×CM3＋0．037×

　　ID1－0．188×ID2＋0．042×ID3

CM＝－0．009×TR1＋0．017×TR2＋0．038×TR3－0．013×

　　TR5＋0．751×CM1＋0．743×CM2＋0．641×CM3－0．192

　　×ID1＋0．082×ID2＋0．038×ID3

ID＝0．020×TR1－0．001×TR2＋0．083×TR3－0．008×TR5

　　－0．032×CM1＋0．132×CM2＋0．044×CM3＋0．421×

　　ID1＋0．532×ID2＋0．872×ID3

根据上述式子计算出三个因子得分，并将得分代入结构方程模型进行实证分析。

5．6．2．2　合作意向的信度检验

经过因素分析之后，笔者对合作意向的信度进行了检验，检验结果如表5－15所示。

表5－15　合作意向（CW）的信度分析

续表5－15

从表5－15可以得出合作信任（TR）的信度系数在未删除TR4前为0．8379，在剔除TR4后信度系数提高为0．8807，这表示TR4的删除是合理的，合作承诺（CM）的信度系数为0．8144，合作依赖（ID）的信度系数为0．7891，均在可接受的信度范围内，合作意向（CW）问题项表现出了较好的信度。

5．6．3　合作能力的效度和信度检验

5．6．3．1　合作能力的效度检验

对企业合作能力的6个问题进行KMO值和Bartletts球形检验，具体结果为各指标的选取样合适性测度MSA＝0．7901大于0．5，Bartletts球形检验的χ2为353．921，显著性水平P＝0．000（df＝15，P＜0．01），满足因子分析的条件；对上述6个问题运用主成分分析法进行因素分析，抽取了两个共同因素，两个因素的方差贡献率分别为44．046％、20．921％，累计贡献率为64．967％，进行因子旋转的结果如表5－16所示。

表5－16　企业合作能力（CA）问题的因子旋转结果

注：将剔除因素负荷量小于0．50的题项。

从表5－16中可以得出，作者原先设计的TCA和SCA题项都很好地体现在对应的共同因素中。采取回归方法可以求出因子得分函数，表5－17为企业合作能力因子分析的因子系数矩阵。

表5－17　企业合作能力因子分析的因子系数矩阵

由表5－17的系数矩阵，可以将两个共同因素表示为相应的线性形式：

TCA＝0．421×TCA1＋0．312×TCA2＋0．656×TCA3－0．100

　　 ×SCA1＋0．035×SCA2－0．004×SCA3

SCA＝0．001×TCA1－0．029×TCA2＋0．038×TCA3＋0．321

　　 ×SCA1＋0．751×SCA2＋0．443×SCA3

根据上述式子计算出两个因子得分，并将得分代入结构方程模型进行实证分析。

5．6．3．2　合作能力的信度检验

经过因素分析之后，笔者对合作意向的信度进行了检验，检验结果如表5－18所示。

表5－18　合作能力（CA）的信度分析

从表5－18可以得出企业硬性合作能力（TCA）的信度系数为0．8542，企业软性合作能力（SCA）的信度系数为0．7991，均在可接受的信度范围内，合作能力（CA）问题项表现出了较好的信度。

5．6．4组织强度的效度和信度检验　

5．6．4．1组织强度的效度检验　

对企业合作能力的7个问题进行KMO值和Bartletts球形检验，具体结果为各指标的选取样合适性测度MSA＝0．8002大于0．5，Bartletts球形检验的χ2为531．802，显著性水平P＝0．000（df＝21，P＜0．01），满足因子分析的条件；对上述7个问题运用主成分分析法进行因素分析，抽取了两个共同因素，两个因素的方差贡献率分别为68．531％、24．111％，累计贡献率为82．642％进行因子旋转的结果如表5－19所示。

表5－19　组织强度（OI）问题的因子旋转结果

注：将剔除因素负荷量小于0．50的题项。

从表5－19中可以得出，作者原先设计的OS和OT题项都很好地体现在对应的共同因素中。采取回归方法可以求出因子得分函数，表5－20为组织强度因子分析的因子系数矩阵。

表5－20　组织强度因子分析的因子系数矩阵

续表5－20

由表5－20的系数矩阵，可以将两个共同因素表示为相应的线性形式：

OS＝0．462×OS1＋0．721×OS2＋0．556×OS3－0．114×OT1＋

　　0．005×OT2＋0．104×OT3＋0．058×OT4

OT＝0．201×OS1＋0．045×OS2－0．134×OS3＋0．626×OT1

　　＋0．751×OT2＋0．423×OT3＋0．373×OT4

根据上述式子计算出两个因子得分，并将得分代入结构方程模型进行实证分析。

5．6．4．2　组织强度的信度检验

经过因素分析之后，笔者对组织强度的信度进行了检验，检验结果如表5－21所示。

表5－21　组织强度（OI）的信度分析

续表5－21

从表5－21可以得出产业链组织链接稳定性（OS）的信度系数为0．8892，产业链组织链接（OT）的信度系数为0．8193，均在可接受的信度范围内，产业链组织强度（OI）问题项表现出了较好的信度。

5．6．5　组织效率的效度和信度检验

5．6．5．1　组织效率的效度检验

对组织效率的17个问题进行KMO值和Bartletts球形检验，具体结果为各指标的选取样合适性测度MSA＝0．8106大于0．5，Bartletts球形检验的χ2为1630．002，显著性水平P＝0．000（df＝136，P＜0．01），满足因子分析的条件；对上述17个问题运用主成分分析法进行因素分析，抽取了四个共同因素，四个因素的方差贡献率分别为59．031％、12．321％、8．326％、5．002％，累计贡献率为84．680％。对问题项进行因子旋转的结果如表5－22所示。

表5－22　组织效率（OE）问题的因子旋转结果

续表5－22

注：将剔除因素负荷量小于0．50的题项。

由表5－22可以得出，作者原先设计的LE、FE、IE、TE题项中，除LE5、FE4、TE1因子负荷小于0．5未被选入相对应的共同因素一中，其他各题都很好地体现在共同因素中。经分析作者认为LE5因子负荷较小的主要原因可能是：我国蔬菜核心企业较少具有蔬菜冷冻库存设备，因此对于生鲜蔬菜较少进行库存管理，而主要是即到即产的生产方式，由此库存并不能很好地反映企业物流效率，故可考虑剔除；FE4因子负荷较小的主要原因可能是：我国蔬菜核心企业整体处于初级发展阶段，各核心企业大都面临蔬菜旺季收购资金不足的困难，因此，不太可能会存有大量闲散资金，该项不能很好地反映蔬菜核心企业资金使用效率，可以考虑剔除；TE1因子负荷较小的主要原因可能与行业整体技术变革不显著有较强的关系，因此也可考虑剔除。在剔除上述三个问题项之后重新进行探索性因素分析，其结果指标的选取样合适性测度MSA＝0．833大于0．5，Bartletts球形检验的χ2为1031．099，显著性水平P＝0．000（df＝91，P＜0．01），满足因子分析的条件，且抽取了四个共同因素LE、FE、IE、TE，四个因素的方差贡献率分别为46．821％、20．245％、10．231％和9．721％，累计贡献率为87．081％。采取回归方法可以求出因子得分函数，表5－23为组织效率因子分析的因子系数矩阵。

表5－23　组织效率因子分析的因子系数矩阵

由表5－23的系数矩阵，可以将两个共同因素表示为相应的线性形式：

LE＝0．386×LE1＋0．537×LE2＋0．453×LE3＋0．498×LE4＋

　　0．005×FE1－0．166×FE2－0．162×FE3＋0．088×IE1＋

　　0．042×IE2＋0．008×IE3－0．024×IE4＋0．037×TE2－

　　0．052×TE3＋0．036×TE4

FE＝－0．009×LE1＋0．117×LE2＋0．038×LE3＋0．011×LE4

　　＋0．551×FE1＋0．343×FE2＋0．431×FE3＋0．082×IE1

　　－0．038×IE2＋0．217×IE3＋0．148×IE4－0．192×TE2＋

　　0．211×TE3－0．027×TE4

IE＝0．020×LE1－0．101×LE2＋0．003×LE3－0．008×LE4－

　　0．132×FE1＋0．142×FE2－0．044×FE3＋0．332×IE1＋

　　0．472×IE2＋0．483×IE3＋0．370×IE4＋0．221×TE2＋

　　0．073×TE3－0．204×TE4

TE＝－0．021×LE1＋0．113×LE2－0．131×LE3－0．103×LE4

　　＋0．107×FE1＋0．164×FE2＋0．077×FE3＋0．068×IE1

　　－0．103×IE2＋0．194×IE3＋0．237×IE4＋0．423×TE2

　　＋0．521×TE3＋0．351×TE4

根据上述式子计算出四个因子得分，并将得分代入结构方程模型进行实证分析。

5．6．5．2　组织效率的效度检验

经过因素分析之后，笔者对组织效率的信度进行了检验，检验结果如表5－24所示。从表5－24可以得，企业物流效率（LE）、企业资金使用效率（FE）、企业技术效率（TE）在删除对应项后均有提升，对应项的剔除是合理的。四个分层的信度系数均在可接受范围内，组织效率（OE）问题项表现出了较好的信度。

表5－24　组织效率（OE）的信度分析

续表5－24

5．6．6　问卷分析结果

通过对问卷的内容效度、内部一致性以及信度的分析，保留和剔除了问卷中的相关层面和题项，表5－25反映了剩余层面和题项的最终结果。

表5－25　问卷数据最终分析结果

续表5－25

资料来源：本研究计算所得。

从表5－25中可以看出，原有题项51个，经过筛选最终题项为46个。各题项的次级层面的Cronbachsα系数值都大于0．7，符合一般学者认为Cronbachsα系数值应该大于0．7的要求。综上所述，潜变量的问卷通过了效度和信度的检验，具有较强的可靠性和可信度，下一节将利用所收集的数据对原先的假设模型进行实证检验。

5．7　结构方程模型检验及结果分析

根据前面构建的产业链组织效率结构模型，使用AMOS 4．01软件对模型各变量之间的路径关系进行分析，其中潜变量用椭圆表示，观测变量用矩形表示。图5－2为AMOS 4．01中各变量之间的路径关系。

图5－2　AMOS 4．01中各变量之间的路径关系

为了更加清晰地表达假设模型所验证的变量之间的相互关系，把假设模型表述为如图5－3所示范的形式。

图5－3　假设的结构方程模型

其数学表达式为：

在模型中，方程（1）表示企业合作能力与企业环境不确定性的联系，对应假说H1；方程（2）表示企业环境不确定性、企业合作能力和企业合作意向之间的联系，对应假说H2、H4；方程（3）表示企业环境不确定性、企业合作能力、企业合作意向与组织强度之间的联系，对应假说H3、H5、H6；方程（4）表示企业合作能力、企业合作意向、组织链接强度与产业链组织效率之间的联系，对应假说H7、H8、H9。

5．7．1　模型拟合结果

根据结构方程的分析策略和步骤，首先要对模型的拟合拟合优度进行检验，以确定构建的模型是否合理。Bagozzi和Yi（1988）认为对于结构方程的拟合优度评价，应从基本的拟合标准（Preliminary Fit Criteria）、模型内在结构拟合优度（Fit of Internal Structure of Model）和整体模型拟合优度（Overall Model Fit）三个方面加以估计^[8]。基本的拟合标准主要用来检验模型的系列误差、辨识问题或输入有误等；模型内在结构拟合优度主要用于评价模型估计参数的显著性程度、各个指标与潜在变量的信度等，这可以从个别项目的信度是否在0．5以上，潜在变量的组合信度是否在0．7以上加以衡量，前文对指标量的效度和信度进行了检验，结果达到了可接受的水平；整体模型拟合优度主要用来评价整个模型和观测资料的适配程度，拟合优度衡量指标有三种，分为绝对拟合指标（Absolute Fit Measures），增量拟合优度指标（Incremental Fit Measure）和简约拟合优度指标（Parsimonious Fit Measures）。绝对拟合优度指标是用来确定整体模型可以预测协方差矩阵或相关矩阵的程度，衡量指标主要有卡方统计值、拟合优度指标（GFI）、平均残差平方根（RMSR）、近似误差的均方根（RMSEA）等，其中GFI大于0．8^[9]，RMSR和RMSEA低于0．1为经验理想数值；增量拟合优度指标是比较所发展的理论模型与虚无模型的，衡量指标有调整的拟合优度指数（AGFI）、规范拟合指数（NFI）、比较拟合指数（CFI）等，AGFI、NFI高于0．9为理想数值；简约拟合指标主要是用于需要调整拟合优度指标，比较含有不同估计系数数目的模型，以决定每个估计系数所能获得的适配程度，衡量指标有简约基准拟合指数（PNFI）、简约拟合优度指数（PGFI）等，通常PNFI、PGFI高于0．9为理想数值。

根据上述拟合标准，对本研究的结构方程模型运用Amos 4．01进行运算，结果如表5－26所示。

表5－26　结构方程模型的验证性分析结果

资料来源：本研究计算所得。

从表5－26可得，本研究的结构方程模型与观测资料有着较理想的拟合优度。

5．7．2　模型假说验证结果和分析

本研究的结构模型各变量之间的路径系数分析结果见图5－4和表5－27。在图5－4的路径中，箭头上方的数字表示非标准化的路径系数，括号内为T检验值。在表5－27中，第一栏分别表示路径、非标准估计系数、标准估计系数、临界比率。

图5－4　结构方程模型路径系数

注：括号内为T检验值，虚线箭头表示该路径没有通过T检验。

表5－27　结构方程模型的路径系数

注：（1）＊表示在0．05的显著性水平上是显著的，＊＊表示在0．01的显著性水平上是显著的，▲表示不显著。
（2）非标准回归系数表示自变量改变一个单位，因变量或中间变量的改变量；标准化回归系数则表示自变量改变一个标准差时，因变量或中间变量的改变量。当输入数据主要来源于调查测量，且度量方式相同时，标准化系数和非标准化系数差别不大；而输入数据的测量尺度不同时，输出的标准化系数和非标准化系数差别则较为明显。

根据路径系数是否通过T检验，结合原先的相关假说，可以得到假说的验证结果，如表5－28所示。

表5－28　假说验证结果

续表5－28

结合表5－28和图5－4可以得出，假说H1的预计影响方向正确，但模型的验证结果对该假说并不给予支持。其他假说模型结果均给予了支持，但需要对假说H3给予解释。假说H3模型的验证结果虽然给予了支持，但是实际影响方向为正，与预期的方向相反。这一结果表明，企业环境的不确定性并不会削弱产业链组织的链接强度，反而在企业环境不确定性增强时会提高组织的链接强度，对此结果笔者认为，对于蔬菜产业链的核心企业而言，企业虽然同时受内外部环境变化的影响，但相比较而言，企业面临的外部环境变化则往往对企业的生存和发展产生更为重要的影响，在面临外部环境变动时，蔬菜核心企业必须提高抵抗外部风险的能力。而产业链的实质就是要通过上下游企业的合作，共同应对市场需求的变化，因此在企业面临的环境发生变动时，特别是外部环境产生较强烈变动时，加强与产业链合作伙伴的组织链接则是一种更为合理的选择。

对于本研究较为关注的组织效率的影响因素的假说H7、H8、H9，模型结果均给予了支持，根据表5－27可以详细考察影响蔬菜产业链组织效率的影响程度。表5－29为企业合作能力（CA）、产业链组织强度（OI）、企业合作意向（CW）三个主要变量对产业链组织效率的影响程度统计。

表5－29　关键因素对蔬菜产业链组织效率影响程度的统计

注：总的影响为直接影响和间接影响之和，间接影响为各路径系数的乘积；括号外的数值表示非标准化的估计系数，括号内表示标准化的估计系数。

从表5－29可以得出，产业链组织强度对产业链组织效率的直接影响最大，而企业合作能力对产业链组织效率的综合影响最大。结合表5－27和表5－29可以得到以下结论：

（1）产业链组织强度对产业链组织效率的直接影响最大表明，产业链组织强度的高低直接决定产业链组织效率的高低，当产业链组织链接的稳定性和紧密性不强时，产业链的组织效率则会降低，并最终影响产业链参与企业的生产效益。结合我国蔬菜产业链组织模式的具体情况可以推知，只有当核心企业参与的产业链组织模式越紧密、越稳定时，其产业链链接的组织效率将会越高，进而使企业在剧烈的市场环境变化时获得更高的收益。

（2）企业合作能力对产业链组织效率的综合影响最大表明，当企业的合作能力越强时，产业链的组织效率往往会越高。本研究企业的合作能力分为企业合作的硬性合作能力和企业软性合作能力两个方面，考察具体题项可以得出，当企业在资金、市场占有率、掌握特定资源、拥有良好商誉以及行业号召力等方面的能力越强，则其参与产业链组织效率则要更高，结合我国蔬菜产业链的具体实际可以推知，在我国蔬菜行业进行产业链链接时，参与主体将更多是那些具有较强合作能力的蔬菜核心企业。从另一个侧面来看，那些拥有较强合作能力的蔬菜核心企业，应该积极地组织和实施蔬菜产业链，通过蔬菜产业链的链接获得高于普通企业的经营利润。

（3）企业的合作能力和企业的合作意向对产业链的组织链接强度有着较为强烈的直接影响。考察本研究选取的相关问题项可以得出，蔬菜产业链组织链接的稳定性和紧密性是建立在参与企业的合作能力、参与企业相互信任、相互依赖的基础上的，对于蔬菜产业链核心企业而言，企业间应该更多地建立信任关系，同时壮大自身的合作能力，特别是在当我国蔬菜及其制品面临国外绿色壁垒时，核心企业间的相互合作就更为重要。

5．8　本章小结

根据研究目的，本研究提出了一个蔬菜产业链组织效率研究的假设模型，并设计调查问卷对相关蔬菜企业进行了调查；本章对调查问卷及数据进行了效度和信度检验，以确保调查所收集的数据真实反映被调查对象的实质，剔除不合理的问题项和数据；最后运用Amos软件对通过效度和信度检验进行实证分析，以验证笔者提出了的9个研究假说。验证结果表明，笔者构建的产业链组织效率模型与收集的数据拟合优度较高，模型构建合理。笔者提出的假说中，有7个研究假说与预期结果完全一致，另外两个假说一个不予以支持，另一个给予支持，但与预期影响方向相反。

【注释】

[1]该部分参考了黄芳铭的《结构方程模式：应用与实践》（中国税务出版社，2005年）第一章部分内容和李建宁的《结构方程模型导论》（安徽大学出版社，2004年）绪言部分内容。

[2]Spekman．R．E．＆ Louis W．Stern．Environmental Uncertainty and Buying Group Structure：an Empirical Investigation［J］，1986．Journal of Marketing（43），P54－64．

[3]谭涛．农产品供应链组织效率研究，南京农业大学博士学位论文，2004。

[4]Claro，D．P．．Managing business networks and buyer－supplier relationships：How information obtained from the business network affects trust，transaction specific investments，collaboration and performance in the Dutch Potted Plant and Flower Industry．Doctor thesis，Wageningen University and Research Centre，2004，Wageningen．

[5]Spekman R．E．，L．A．Isabella，T．C．Macavoy ＆T．Forbes．Creating Strategic Alliances with Endure．Long Range Planning，29，1996，P346－357．

[6]Anderson．E．＆Weitz．B．The Use of Pledges to Build and Sustain Commitment in Distribution Channels．Journal of Marketing Reasearch，29，February，1992．P18－34．

[7]参见吴明隆，《SPSS统计应用实务——问卷分析与应用统计》，科学出版社，2003年，P20。

[8]Bagozzi，R．P．and Yi Y．On the evaluation of structural equation models，Journal of the Academy of Marketing Science，1988，Vol．16（1）：74－94．

[9]在Doll，William J．Xia，Weidong，Torkzadeh，Gholamreza．A confirmatory factor analysis of the end－user computing sat，MIS Quarterly，1994，Vol．18（Dec）：453－461，中指出GFI、NFI高于0．9才认为模型拟合优度理想过于保守，他们认为GFI和NFI高于0．8即可认为拟合优度比较理想。