一、概念模型
将差错学习能力、差错知识能量、技术创新绩效３者联系起来并整合为一个研究框架，形成不同类型的差错学习能力经由差错知识能量的孕育进而影响技术创新绩效的概念模型，如图１。在此模型中，差错知识能量是企业差错学习能力与技术创新绩效的主要中介变量，且具有部分中介的效果，即企业差错学习能力不仅直接影响技术创新绩效，且通过不同的差错知识能量积蓄方式对技术创新绩效产生间接影响。
二、研究数据与方法
（一）变量操作性定义和测量
借鉴国内外成熟的测量量表，采用Ｌｉｋｅｒｔｓ ５点计分，让受访者根据测量题项的表述与企业实际情况的符合程度，在“完全不同意”“不同意”“一般”“同意”“完全同意”之间进行选择，对应分值为１～５。１）因变量为技术创新绩效。根据蔡启通（１９９７）［２３］、林义屏（２００１）［２４］、谢洪明（２００７）［２５］的衡量量表，将技术创新定义为在产品、工艺和设备方面的创新，将技术创新绩效视为３个构面：①产品创新绩效。②工艺创新绩效。③设备创新绩效。设计１７个题项，其中产品创新绩效包含４个题项，工艺创新绩效包含８个题项，设备创新绩效包含５个题项。２）自变量为差错学习能力。衡量指标以Ｒｙｂｏｗｉａｋ（１９９９）的Ｅｒｒｏｒ Ｏｒｉｅｎｔａｔｉｏｎ Ｑｕｅｓｔｉｏｎｎａｉｒｅ（ＥＯＱ）为基础，参考王重鸣等的研究，差错学习能力由３个指标衡量：①差错掌握能力；②差错预测能力；③差错抗压能力。设计１６个题项，其中差错掌握能力５个题项，差错预测能力４个题项，差错抗压能力７个题项。３）中介变量为差错知识能量。差错知识能量包括差错知识解读、差错知识获取、差错知识流通３个维度，设计１４个题项，其中差错知识解读、差错知识获取的测量题项主要源于Ｈｕｂｅｒ（１９９１）［２６］和Ｔｅｅｃｅ（１９９７）［１９］，分别为３个题项和５个题项；差错知识消化的测量题项主要源于谢洪明（２００７）［２６］和韩子天（２００８）［２７］等的研究，为６个题项。
（二）样本的获取
采用问卷调查方法，问卷发放对象主要是创新相对活跃的地区的企业，如珠三角、长三角、华北、华中地区等，一方面利用亲友在制造业、高新技术业等行业的人脉，另一方面利用天津大学和安徽大学ＭＢＡ班学员，采用纸质问卷和电子问卷２种方式。首先，对初步设计的调查题项的维度指标进行讨论，分析其适用性与有效性，确定指标范围并进行查缺补漏工作，消除初始指标问项的不明确和歧义之处，形成初始的问卷草案。其次，选取上海、武汉、安徽、广东的１２家企业展开小样本预调查，对被调查人员和专家的反馈意见加以整理，并对问卷填写情况和统计结果进行初步分析，在此基础上修正优化初始问卷，相应调整题项与题量设置、问卷结构和问题表述，这些可以保障量表具有较好的内容效度。正式问卷发放和回收时间是２０１４年８月３日到８月１９日，共发出问卷３５０份，回收问卷２３７份，回收率６７．７１％；其中填答不全的无效问卷３９份，有效问卷１９８份，有效率为８３．５％。利用ＳＰＳＳ１９．０软件对样本数据进行检核、预处理与分析，样本情况如表１．
三、实证分析
（一）量表信度效度检验
１、差错学习能力参照张正堂（２００６）测量量表结构效度的方法［２８］，使用ＳＰＳＳ１９．０对差错学习能量量表进行探索性因子分析，ＫＭＯ系数０．８８１＞０．８，Ｂａｒｔｌｅｔｔ球体检验的ｘ２统计值显著性为０．０００，说明研究样本数据具有高的相关性，适合因子分析。对１６个题项进行主成分分析、正交旋转、特征根大于１的方法抽取公因子，按照因子载荷大于０．５的原则，删去ＥＨＡ５题项，共萃取３个主成分因子，累计方差解释率达到６０．２３８％，分析结果与王重鸣（２０００）［１０］等的研究结果一致，命名３个公因子分别为差错掌握能力、差错预测能力、差错抗压能力。内部一致性信度系数Ｃｒｏｎｂａｃｈ’ｓα分别为０．７６４、０．７１９、０．８９０，问卷信度较好；各题项载荷因子均大于０．５，说明问卷具有较好的结构效度。２、技术创新绩效使用ＳＰＳＳ１９．０对技术创新绩效进行探索性因子分析，ＫＭＯ系数０．９１５＞０．８，Ｂａｒｔｌｅｔｔ球体检验的ｘ２统计值显著性为０．０００，小于０．０１，说明研究样本数据具有高的相关性，适合因子分析。对１７个题项进行主成分分析、正交旋转、特征根大于１的方法抽取公因子，共萃取３个因子，累计方差解释率达到６０．７２３％，分析结果与蔡启通（１９９７）［２３］等的研究结果一致，命名３个公因子分别为产品创新绩效、工艺创新绩效、设备创新绩效。内部一致性信度系数Ｃｒｏｎｂａｃｈｓα分别为０．８８１、０．８３３、０．８２２，问卷信度较好；各因子载荷量均大于０．５５，说明问卷具有较好的结构效度。３、差错知识能量使用ＳＰＳＳ１９．０软件对差错知识能量进行探索性因子分析，ＫＭＯ值为０．８８３＞０．８，Ｂａｒｔｌｅｔｔ球体检验的ｘ２统计值显著性为０．０００，小于０．０１，说明研究样本数据具有高的相关性，适合因子分析。对１４个题项进行主成分分析、正交旋转、特征根大于１的方法抽取公因子，共萃取出３个因子，累计方差解释率达到６２．２０６％，命名３个公因子分别为差错知识解读、差错知识获取、差错知识消化。内部一致性信度系数Ｃｒｏｎｂａｃｈ’ｓα分别为０．７９６、０．７９４、０．８７２，问卷信度较好；所有题项因子载荷大于０．５０，说明差错知识能量量表符合要求。整体上，各量表的信度水平均超过Ｎｕｎｎａｌｌｙ（１９７８）建议可接受的０．７［２９］（Ｐ３５－５６）。
（二）假设检验
１、相关性分析本研究样本中各变量的信度、效度均达到可接受的水平，可以单一衡量指标取代多重衡量指标，如以差错掌握能力、预测能力、抗压能力题项得分的均值衡量差错学习能力指标。表３显示，差错学习能力对技术创新绩效、差错知识解读、差错知识获取、差错知识流通有显著正向影响。差错知识解读、差错知识获取、差错知识流通对技术创新绩效有显著正向影响。可见，研究结果支持假设Ｈ１，假设Ｈ２ａ，Ｈ２ｂ，Ｈ２ｃ，假设Ｈ３ａ，Ｈ３ｂ，Ｈ３ｃ。 ２、企业成立年限、企业性质对技术创新绩效的差异性分析为了解企业成立年限和企业性质对技术创新绩效的差异性，对企业成立年限和性质进行单因素方差分析和趋势检验，并以ＬＳＤ多重比较法探索差异性。表４表明，成立年限变量的离差平方和为８０．４３８，趋势检验分解组内方差：技术创新绩效可被成立年限线性解释的变差值为９．７６７，不可被成立年限线性解释的变差值为１．５４０。若只考虑成立年限单个因素的影响，则技术创新绩效总变差中，成立年限可解释的变差为１１．３０８，抽样调查引起的变差为６９．１３１，方差分别为２．８２７和０．３５８，获得的Ｆ统计量为７．８９２，对应的概率Ｐ值近似为０，小于显著性水平，因此在置信度为９５％的情况下，企业成立年限对技术创新绩效产生显著影响。其中，成立年限为５年、４年对技术创新绩效的影响优于成立１年、２年、３年，这可能是由于较成熟的企业更有实力进行深层次、宽领域的创新，形成相对完善的创新路径和管理模式，创新过程中不易出现常规性错误，减少不必要的损失。但是，企业性质对技术创新绩效无显著影响，变量显著性概率Ｐ值大于０．０５。 ３、层次式多元回归分析为了进一步研究企业差错学习能力对技术创新绩效的影响，以及差错知识能量对企业差错学习与技术创新绩效关系的中介作用，本研究在相关分析基础上，运用多元回归分析，建立回归模型，来检验差错学习能力对企业技术创新绩效的影响及强度。Ｂａｒｏｎ＆Ｋｅｎｎｙ（１９８６）认为以回归模式验证中介效果时，中介效果成立的３项条件包括：一是自变量与中介变量均与因变量间存在显著关系；二是自变量与中介变量间存在显著关系；三是将中介变量引入回归方程，自变量与因变量的相关或回归系数显著降低。若自变量与因变量的回归系数下降至零，是完全中介（ｆｕｌｌ ｍｅｄｉａｔｉｏｎ）；若自变量与因变量的回归系数降低但不为零，是部分中介（ｐａｒｔｉａｌ ｍｅｄｉａｔｉｏｎ）［３０］。以一般制造业和高新技术产业为控制变量，每个回归方程自变量采取强制进入的方式，结果见表５． 结果显示：（１）从表５差错学习能力与３类技术创新绩效的回归分析结果可以看出：①模型二中判定系数调整后的Ｒ２为０．３６０，回归方程的解释力度为３６％，即技术创新绩效的变动３６％可以由差错学习能力解释（Ｒ２值不是太高，产生这种情况的原因可能是存在未考虑到的其他影响企业技术创新绩效的因素）。模型的Ｆ统计量为５６．３０５，显著性水平为０．０００，具有显著解释力，说明自变量与因变量之间确实存在线性回归关系。同时，差错学习能力与技术创新绩效的回归系数０．６６６，显著性水平小于０．００１，说明差错学习能力对技术创新绩效有显著的正向作用。②差错学习能力对产品创新绩效、工艺创新绩效、设备创新绩效的回归系数都达到统计学上的显著性水平，回归系数分别为０．６９１、０．６８７、０．６２０；模型的Ｆ统计量分别为３９．９９８、４２．７９０、２９．８７７，显著性水平为０．０００，说明差错学习能力对产品创新绩效、工艺创新绩效、设备创新绩效都有显著的正向影响。Ｈ１ａ，Ｈ１ｂ，Ｈ１ｃ均得到验证。此外，比较回归系数的大小可以发现，差错学习能力对产品创新绩效的影响强于对工艺创新绩效和设备创新绩效的影响。（２）从表５差错学习能力与差错知识能量３个环节的回归分析结果可以看出，差错学习能力与差错知识能量３个环节的回归系数都达到统计学上的显著性水平，回归系数均为正，分别为０．７８９、０．６７９、０．６５６。模型的Ｆ统计量为４５．７６４、２７．３０６、３９．９９８，显著性水平均为０．０００，显著水平小于０．００１，说明差错学习能力与差错知识能量３个环节均存在线性回归关系。其中，差错学习能力对差错知识解读的影响尤为显著。因此，Ｈ２ａ，Ｈ２ｂ，Ｈ２ｃ得到验证。（３）从表５差错知识能量３个环节与技术创新绩效的回归分析结果可以看出，差错知识解读、差错知识获取、差错知识消化对技术创新绩效的回归系数都达到统计学上的显著性水平，回归系数均为正，分别为０．３１４、０．６２１、０．４７８，表明差错知识能量３个环节对技术创新绩效均有显著的正向影响，其中差错知识获取的影响尤为显著。因此，Ｈ３ａ，Ｈ３ｂ，Ｈ３ｃ得到验证。（４）模型６、模型７、模型８是在模型２的基础上，分别以差错学习能力与差错知识能量３个环节为自变量，技术创新绩效为因变量置入方程。与模型２相比，在其新增解释变异的能力上达显著水平（调整后的Ｒ２增加量＝０．００９、０．１８２、０．１３２，Ｐ＜０．０１），显示新加入的３项差错知识能量变量对于“技术创新绩效”变异的解释能力显著地增加０．９％、１８．２％、１３．２％。此外，差错学习能力与差错知识能量的回归系数均具有显著性，差错学习能力与技术创新绩效之间有显著的正向线性关系，当它们之间分别加入中介变量差错知识能量３个环节后，差错学习能力对技术创新绩效的影响仍然显著，但是差错学习能力与技术创新绩效之间的回归系数明显降低（偏回归系数由０．６６６分别降为０．５８６、０．３５０、０．４４９），可见差错知识能量３个环节在差错学习能力和技术创新绩效之间均起到部分中介作用，中介效应与总效应之比分别为０．１１９７、０．４７４８、０．３２５３，直接效应与总效应之比分别为０．８８０３、０．５２５２、０．６７４７，中介效应与直接效应之比依次为１３．６０％、９０．４０％、４８．２１％。因此，差错知识能量３个环节在差错学习能力影响企业技术创新绩效的过程中均起着不完全中介作用，Ｈ３ｄ成立。由此，本研究所有假设均得到了验证。
四、结语
本文研究差错学习能力、差错知识能量、技术创新绩效之间的关系，验证了差错学习能力对企业技术创新绩效的影响，以及差错知识能量在差错学习能力对技术创新绩效影响中的中介作用，通过实证分析得出以下结论：１）差错学习能力对技术创新绩效（产品、工艺、设备）有显著的正向影响，说明组织提升自身的差错掌握能力、差错预测能力和差错抗压能有助于应对技术创新的风险和不确定性，有助于提高产品、工艺、设备创新绩效。２）培养差错学习能力对于差错知识解读、差错知识获取和差错知识消化均具有显著的正向影响，说明企业对差错学习能力培养的关注可以促进知识能量的蕴蓄。３）差错知识能量不单对企业技术创新绩效有显著的影响作用，而且在差错学习能力对技术创新绩效的影响过程中起着不完全中介作用。因此，从研究结果可以发现，企业若想获得更好的技术创新绩效，不仅要培养员工的差错学习能力，而且要重视知识能量的蕴蓄，具体可从如下方面着手：１）高度重视差错的潜在价值，完善员工差错学习能力的培养机制。鉴于差错学习能力的不同组成部分对技术创新的作用不同，企业应当营造正向的差错管理文化，鼓励员工通过思考差错，开放沟通、汲取信息等路径提升差错掌握能力；避免同类差错屡次发生、要求员工及时总结记录并储存于企业知识库或整理成文档资料，建立完善的差错处理流程并完善差错报告和侦测系统；通过共同讨论、制定解决方案，方便员工提高差错处理效率，减轻对差错的害怕和恐惧进而提高差错抗压能力。２）管理层应以身作则，包容允许员工的工作差错。组织内部存在多种多样影响差错学习的因素，尤其是管理层对差错持有的态度直接影响员工的差错取向，因此管理层不仅要将差错管理融入组织文化，日常管理包容员工的差错，而且通过建立健全差错培训管理机制，或员工绩效考核时设立差错容忍区间，奖励妥善处理差错的员工，全面提升员工及组织的差错学习能力。３）利用正向知识和逆向知识能量的蕴蓄和融合进而共同推动创新。企业在创新尤其技术创新方面，应将正向知识和逆向知识能量双管齐下，不仅要依靠成功经验等正向知识，而且要重视对差错知识的解读、获取和消化，促进组织内部员工之间知识共享，增强企业持续创新的潜力，原因是员工在收集、传递、讨论以往差错知识过程中，往往可以探索出更富价值的创新路径。
作者：汪传雷 乐亚鸣 单位：安徽大学商学院
