PLS模型（精选6篇）
PLS模型 篇1
组合预测法是指通过建立一个组合预测模型, 把多种预测方法所得到的预测结果进行综合, 以得到一个较窄的预测值取值范围供系统分析或决策使用。组合预测值往往比被组合的单一预测值具有更高精度。从定性角度看, 每个单项预测模型都能从其独特角度解构出样本资料的统计特征, 把不同的统计预测模型所反映出的样本资料的有用信息加以综合, 就能更真实、更全面地反映样本资料的内涵特征。从定量角度看, 组合预测模型是建立在一个统计准则之下的, 比如预测误差为最小, 那么, 组合预测值必定比被组合的单一预测值具有更好的统计特性。因此, 组合预测方法能够取长补短, 达到提高预测精度和增加预测结果可靠性的效果。
但在应用组合预测时, 也需要注意一些问题。一是模型的适宜性, 要求单项模型不仅适宜样本资料的特点而且要适合组合预测模型的应用条件。二是单项模型的多样性, 经验得知各单项模型的差异性越大, 组合预测模型效果越好。三是要确定适合的单项模型的组合权重。
由于各个单项预测模型都是对同一个样本资料的预测, 因此各预测结果具有高度线性相关性。偏最小二乘回归法是一种新型的多元统计数据分析方法, 它的一个突出特点是将多元线性回归分析、变量的主成份分析和变量问的典型分析有机地结合起来, 提取对因变量解释性最强的综合变量, 辨识系统中的信息和噪声, 从而有效地克服变量的多重相关性, 特别是适合在小样本 (样本容量小于变量个数) 下进行回归建模。因此本文采用偏最小二乘回归方法赋权进行组合预测, 并对我国农业贷款需求进行预测。
一、偏最小二乘回归建模步骤简介
设有q个自变量和p个因变量, 共个观测值的数据集。并不失一般性地将自变量矩阵X与因变量矩阵Y进行标准化处理, 设为E0和F0。
提取第一对成分, 并使之相关性最大。T、U分别为从自变量与因变量中提取的成分, 这里提取的成分通常称为偏最小二乘因子。各自尽可能多地提取所在变量组的变异信息, 同时保证两者之间的相关程度达到最大。
在第一个成份和被提取后, 偏最小二乘回归分别实施X对以及Y对的回归。如果回归方程已经达到了满意的精度, 算法终止;否则, 将利用X被解释后的残余信息以及Y被解释后的残余信息进行第二轮的成分提取。如此往复, 直到能达到一个较为满意的精度为止。若最终对X共提取了m个成分, 偏最小二乘回归将通过实施对的回归, 然后表达成关于原变量的回归方程, 。
二、基于PLS的农业贷款需求组合预测
1. 数据
为了更好地说明建模步骤及模型的应用, 本文以农业贷款需求预测为例进行建模型说明, 从数据的可靠性和可获得性角度选取2001-2010年《中国统计年鉴》中金融机构资金运用平衡表中的贷款年末农业贷款余额为农业贷款需求的代表, 具体数据见表现。
2. 单项预测模型
根据组合预测建模的适宜性和多样性要求, 同时根据农业贷款额数据序列的特点, 本文选择灰色预测模型GM (1, 1) , 龚伯兹曲线模型, 单变量线性回归模型OLS三种模型进行单项预测, 依据平均相对误差最小为误差统计原则, 选择平均相对误差msn为模型测定系数。
其中,
(1) 灰色预测GM (1, 1) 模型
灰色系统理论认为, 随机量可以看作是在一定范围内变化的灰色量。对于贫信息的灰色系统, 灰色变量所取的值十分有限, 并且数据变化无规律。对这些灰色变量作生成运算处理, 处理后的数据变化有一定规律, 与原始数据相比, 增加了数据变化的确定性, 从而在生成数据的基础上建立灰色系统模型。本文运用累加生成运算法AGO (Accumulated Generating Operation) 建立了GM (1, 1) 模型, 模型如下:
预测结果如表1, 模型的测定系数msn=0.048443。
(2) 随机时间序列模型
经单位根检验, 农业贷款额序列是非平稳时间序列, 不能直接建立模型。但是其含常数项和趋势项的一阶差分且滞后期为2的序列是平稳的, 再根据序列的自相关系数、偏相关系数以及AIC准则, 建立2阶自回归过程AR (2) 。模型如下:
预测结果见表1, 模型的测定系数msn=0.034975。
(3) 龚伯兹曲线模型
根据图1中农业贷款额曲线特征, 符合龚伯兹曲线形态, 故建立龚伯兹曲线模型进行拟合, 并采用三点法求解模型参数。模型如下:
预测结果见表1, 模型测定系数msn=0.054901。
3. 基于偏最小二乘回归的组合预测模型
由于三个单项预测模型是对同一样本资料进行了预测, 因此其与实际值之间必定具有高度的相关性, 表2给出了预测值和实际值之间的相关系数。可见, 各预测值之间具有高度的线性相关性。也进一步证实使用PLS进行组合预测是适宜的。
其中, y表示实际值, 表示GM (1, 1) 模型预测值、表示AR (2) 模型预测值、表示龚伯兹曲线模型预测值。
以三种预测模型对各年贷款额的预测值为自变量, 以各年实际贷款额为因变量, 建立最小二乘回归模型。由于灰色预测模型和龚伯兹曲线模型没有进行第一年数据的预测, 而AR (2) 模型不能预测出前两年的数据, 故剔除掉前两年的数据, 只用3个样本共24年样本观测值进行建模。经“舍一交叉验证”法得出, 当提取一个成分时已提取了自变量99.2302%的信息, 因变量99.4417%的信息, 预测误差平方和 (PRESS) 为最小, 其值为0.0179。而且从预测模型的建立意义出发, 只需提取一个成分建模型。最后建立的组合预测模型如下:
其中, 表示组合预测值, 组合预测结果如表3。
模型的测定系数msn=0.02571, 可见比前面三个单项预测模型的测定系数都要小, 即组合预测模型的预测水平有了很大的提高。
为了反映出三个单项预测模型对组合预测的贡献大小, 表6给出了预测值的变量投影重要性指标VIP, 从中可以看出, 2阶自回归预测模型的重要性指标最大, 再从组合预测模型的系数来看, 三种预测模型对组合预测模型的作用系数都差不多大, 但是由PLS赋予的权重之和为1.02104138>1, 这就是PLS组合预测与其它确定权数方法的不同。
三、结论
基于偏最小二乘回归方法的组合预测模型具有计算简便, 预测精度高的特点, 可根据单项预测模型的预测能力进行长短期预测, 具有一定的应用价值。
本文采用PLS组合预测模型对2010年农业贷款进行预测, 预测结果如表7。可以看出, 2010年的农业贷款需求为22919.33亿元, 较之前年份有了较大幅度的增长。
参考文献
[1]孙凤:组合预测方法及其应用[J].山西财经学院学报, 1991, 6
[2]杨广喜:经济预测中组合预测法的应用——关于单项预测模型的选取问题[J].统计与决策, 1998, 6
[3]王惠文:偏最小二乘回归方法及其应用[M].北京:国防工业出版社, 1994
[4]邓聚龙:灰色预测与决策[M].武汉:华中科技大学出版社, 2002
[5]易丹辉.数据分析与EViews应用[M].中国统计出版社, 2002
PLS模型 篇2
在工业过程研究中, 经常需要利用一些可以控制 (或容易测量) 的变量 (解释变量) 去解释、控制或预测另外一些变量 (反应变量) , 一个常用的建模方法是一般最小二乘[29] (ordinary least square, OLS) 的多重线性回归, 但是这种建模方法容易出现过拟合、回归系数或预测结果难以解释等情况。为了处理这种违背假设的数据, 一种统计方法就是偏最小二乘 (partial least squares, PLS) .PLS通常用于数据的“软”建模, 建立反应变量关于解释变量的线性, 甚至非线性回归预测方程, 特别是在解释变量个数大于观察个体数的情况下, 相当有效。
二、PLS方法建模步骤
首先将数据做标准化处理。标准化处理的结果各变量转化为均值为零方差为一的变量。X经标准化处理后数据矩阵记为Y经标准化处理后数据矩阵记为
正规的数学表述是
求得w1和c1后, 可得成分t1和u1。分别求E0和F0对t1的回归方程
回归系数向量为
用残差矩阵E1和F1取代E0和F0, 求w2和c2以及第二个成分t2, u2
计算回归系数
回归方程
如此计算下去, 如果X的秩为A, 则有
由于t1, t2, ..., tA可以表示为E01, E02, ..., E0p的线性组合, F0k可以还原为E0 j的回归方程形式。
三、胎面尺寸PLS建模
胎面的挤出过程中, 对胎面尺寸影响比较大的因素为胶料的门尼粘度、挤出机的挤出速度、挤出压力、挤出温度、挤出联动线的一线速度.根据对影响胎面尺寸因素的分析, 采集如下的生产参数数据。胎面尺寸的测量采用华工百川研制的胎面激光侧厚仪, 激光侧厚仪的宽度测量误差在±1mm内, 厚度测量误差在±0.3mm内。为了叙述简便起见, 用各变量拼音的首字母的名称代替其名称。名称对应关系见下表1。
将收集到的110个样本分成两组, 90个样本用来分析建模, 剩下的20个样本作为模型的预测样本。将挤出联动线参数ND1、ND2、T1、T2、V1、V2、P1、P2、S) 的含量定义为影响因子, 轮胎断面尺寸W1、W2、H21、H22、H3作为目标函数。通过PLS方法得出挤出联动线胎面断面尺寸预测模型。
使用SAS/STAT软件来完成偏最小二乘回归分析, 并对标准化数据进行分析计算.输出的数据集中包括成分的得分向量t1, …tp, u1…up, 以及偏最小二乘回归方程对因变量的预测结果, 其结果见输出表2.
从输出1可以看出, 由自变量组抽取的第K个成分Tk (k=1, 2, 3) 可解释X= (x1, …xm) ’ (或称模型效应) 变差的百分比分别为40.1%13.2%, 9.12%, 11.47%, 8.38%, 8.86%, 4.53%, 2.92%, 1.37%.而Tk (k=1, 2, 3) 能解释因变量组。
Y= (Y1…, Yp) 变差的百分比分别为8.68%, 14.11%, 18.17%, 20.18%, 21.09%, 21.45%, 21.90%, 22.2%, 22.41%.由此可见后面几个主成分对Y的解释能力已经很弱了, 可以初步确定, 尺寸预测模型选择的主成分为4个。
计算结果如下表3所示可以看出选取不同的主成分数的残差, 由结果可以看出当选取主成分数为4的时候残差最小, 为0.9708.
确定主成分的个数后, 再利用SAS/STAT软件对选取4个主成分时, 4个主成分分别对因变量W1 W2 H21 H22 H3的解释能力, 结果如表4所示.
输出表5给出了各个输出模型效应的负荷量, 以为负荷量a1为例, 从结果可以得到:
а1= (-0.2969, -0.4544, 0.1873, -0.3390, -0.3617, -0.3629, -0.0350, -0.2190, -0.4934)
表6和表7为模型效应的权重Wk (k=1, 2, 3, 4) 和因变量的权重Vk (k=1, 2, 3, 4) 比如k=1时可得出T1和U1为
从表8可以得出因变量W1 W2 H21 H22 H3的标准化方程 (右上角带“*”的变量表示标准化变量) 及还原为原始变量的回归方程分别为
因变量标准化方程系数
对W1而言预测误差小于1.5mm的样本个数为13个, 最大误差为3.6694, 最小误差为0.42。对W2误差小于1.0的个数为14个, 最大误差为3.2296, 对H21、H22、H3误差小于0.3的个数分别为15、15、14、14最大误差分别为0.83118、0.6038、0.6984。
四、结果分析
从上节的预测结果来看, 本章建立的PLS模型基本上是符合实际生产的需要的, 联动线胎面尺寸预测模型的回归结果分析 (以W1和H21, 菱代表实测值, 方型代表预测值。)
测试样本的预测结果:对W1而言预测误差小于1.5mm的样本个数为13个, 最大误差为3.6694, 最小误差为0.42, 预测准确率为65%, 对W2误差小于1.0的个数为14个预测准确率为70%, 最大误差为3.2296, 对H21、H22、H3误差小于0.3的个数分别为15、15、14、14最大误差分别为0.83118、0.6038、0.6984, 预测准确率分别为75%、75%、70%、70%。从预测的结果可以看出PLS模型基本上是符合实际生产的需要的。
摘要：针对现有生产线挤出胎面测量只能靠操作人工手工测量, 即使采用激光设备测量也存在成本太高, 而且测量精度也不能得到保证的问题, 本文建立了挤出联动线胎面尺寸PLS (偏最小二乘法) 预测模型, 实践结果基本符合实际生产需要。
关键词：部分最小二乘法 (PLS) ,胎面断面尺寸预测
参考文献
[1]李勇, 邵诚。软测量技术及其应用与发展大连理工大学先进控制研究所, 辽宁大连116024
[2]卢魏, 温旭辉, 张海等.胎面挤出膨胀与收缩的研究.轮胎工业, 2003, 32 (5) :261
[3]王惠文.偏最小二乘回归方法及其应用.北京:国防工业出版社, 1999
[4]高惠漩.SAS系统Base SAS软件使用手册.北京:中国统计出版社, 1997.
[5]Richard Noonan, Herman Wold.Evaluating School Systems Using Partial Least Squares.Evaluation in Education, 1983, 7 (3) .
PLS模型 篇3
由于传统偏最小二乘法(Partial Least Squares Method,PLS)能同时将因变量矩阵和自变量矩阵用主成分表示，充分表现并利用因变量矩阵和自变量矩阵的信息，因此在近红外光谱数据建模中被广泛应用。然而很多研究者也发现偏最小二乘法还存在一些缺陷，如主成分选取非最优化和拟合过度[6,7,8]。人们在具体应用过程中对传统PLS进行了改进，助推PLS[8]、间隔PLS[9,10,11,12]、KPLS[13,14,15]、多模型共识的PLS[16,17]、多项式PLS[18,19]及局部加权PLS[6,20]等改进的建模方式被提出和应用，丰富了PLS方法，在具体预测精度上也较传统PLS有所提高。采用阿达玛(Hadamard)变换近红外光谱仪器对煤炭进行了快速检测。阿达玛变换近红外光谱技术是新一代的现代数字变换光谱技术，具有光通量大、光谱信噪比高及扫描速度快等优点。由于实现阿达玛变换光谱技术的仪器没有运动部件，仪器抗振性能好，微镜表面镀的是铝材料，防潮性能好，避免了傅里叶变换光谱技术存在的不足。由于煤炭的颜色深、光谱信号弱、数据离散性较大，传统PLS模型校正方法对于煤炭指标的预测效果并不十分理想。对PLS建模时主成分数的确定和预测未知样时，从未知样品与建模样品相似度的确定两方面进行研究，将多主成分数PLS和传统PLS有机结合起来，并且应用于近红外光谱煤炭分析。传统的PLS方法是找到使得训练集所有样品预测残差平方和最小的主成分数，采用留一法全交互验证来实现，这样的模型兼容性较强，但是针对某个未知样品来说，这种方式所建模型未必能得到最好的预测效果，最终导致未知样品的预测效果不理想。
由于不同样品的近红外光谱特征不同，对不同的样品，最优主成分数是不同的，因此笔者提出多主成分数PLS[6]，即根据样品的光谱特征不同为每个样品确定对应的最优主成分数。当未知样品与训练集中样品相似性都较差时，多主成分数PLS可能会得到更差的预测结果，这时采用标准PLS得到的最优主成分数会获得相对好的效果。复合PLS方法正是将多主成分数PLS和标准PLS两种建模方法结合起来，充分利用二者的优点:预测未知样品时，在训练集中可以找到相似样品时采用多主成分数PLS，与训练集样品最小距离大于训练集样品间最小距离时采用标准偏最小二乘法预测。
1 建模与预测方法
为了保证模型的兼容性，先建立一个标准PLS模型，再对训练集中的每一个样品计算其最优主成分数，同时计算取该主成分数时的校正模型回归系数，并把这种方法建立的模型称为动态多主成分PLS模型。多主成分数的偏最小二乘法校正模型建立算法流程如图1所示，其中X为训练集样品矩阵，M为样品个数，N为样品点数，Y为指标矩阵，变量i表示第i个样品，xi为训练集样品的第i行数据，yi为指标矩阵的第i行值，SXi为训练集取出第i后的样品矩阵，SYi为指标集取出第i后的指标矩阵，k为主成分数，LV为矩阵的秩，ypredi为第i个样品的预测值，Epredi为第i个样品的预测误差，lvi为第i个样品的最优主成分数，Bi为第i个样品的参数向量。将标准PLS模型信息和动态多主成分数PLS模型信息一起保存起来构成复合PLS模型。
在未知样品预测前，先与训练集中的样品进行距离比较:未知样品与训练集中样品的最小距离是否大于训练集样品间的最大距离，如果前者大于后者则采用标准PLS得到的主成分数进行计算;反之，采用动态多主成分数PLS进行计算，最终采用距离最近样品确定的主成分数进行预测。在此，笔者提出两种距离计算方法———直接距离法和性质得分距离法。直接距离法是采用Mahalanobis、Euclidean及hamming等距离直接进行未知样品与训练集样品之间距离的计算;性质得分距离法是把样品信息与性质特征相关联，通过基于主成分分析的投影判别法，得到未知样品光谱的得分矩阵与建模样品集中每个样品光谱的得分矩阵，再计算它们之间的Mahalanobis、Euclidean及Hamming等距离，相当于先按照具体指标对应的主成分数进行定性归类。具体预测步骤如下:
a.计算训练集XM×N中所有样品的样品间距(直接距离法或性质得分法)，共有M(M-1)/2个Dis[M(M-1)/2)]，将样品间的最大距离值记为Dismax=max{Dis[M(M-1)/2]};
b.取出验证集ZL×N第i=1(i∈[1,L])个样品zi，计算样品zi与训练集XM×N中所有样品的距离(距离计算方法与步骤a相同)，记最小距离为A，最小样品为j，假如A
c.取出动态主成分PLS样品j对应的校正模型Bj，将待测样品zi代入校正模型Bj，得出预测结果，进入步骤e;
d.将待测样品zi代入标准PLS模型，得出预测结果;
e.令i=i+1,如果i<=L,返回步骤b;
f.计算结束。
2 试验部分
准备40个标准煤样作为待测样品(含烟煤和无烟煤)，指标覆盖范围较广，具有一定的代表性。试验仪器选用华夏科创近红外光谱仪，其数字分光原理为阿达玛变化技术，使用漫反射方式进行煤炭光谱测量，光谱波长在1.6～2.4μm，光谱分辨率8nm，试验温度20℃，光谱扫描方式为漫反射光谱，连续扫描60次后平均。背景选用镀金板，每隔30min扫描一次背景，进行仪器状态监控，样品装填量100g，装样后对样品杯进行机械振动，使样品均匀。
3 试验结果分析
3.1 两种PLS模型的建立
图2是40个煤炭样品的原始近红外光谱，在40个煤炭样品近红外光谱数中，建模之前先对光谱数据进行Savitzky-Golay算法的11点3次平滑处理，选取30个样品数据作为训练集样本，分别建立传统PLS模型和复合PLS模型对两个模型的相关系数和交互验证均方根误差进行比较，其余10个样品数据用于预测校验，分别用传统PLS建模预测和复合PLS模型对样品预测时，比较了两种相似度计算方式在不同样品间距离时的计算结果，样品间距离采用的是聚类分析中计算样品相似度经常采用的距离Euclidean、Mahalanobis、Chebychev、Cosine、Correlation和Hamming。
3.2多主成分数PLS模型与传统PLS模型的相关系数和交互验证均方根比较
采用留一法交互验证对两个子模型(多主成分数PLS模型和传统PLS模型)在建模过程中对相关系数与交互验证预测均方根误差结果进行比较，见表1，多主成分数PLS的交互验证建模的相关系数(R2)均明显优于传统PLS建模的相关系数，动态多主成分数PLS交互验证建模的交互验证均方根误差(R)也要低于传统PLS建模的R。此结果进一步验证了对于煤炭样品同样存在传统PLS建模的最优主成分数并不是最优化的结论。
3.3 复合PLS模型和传统PLS模型的预测结果比较
表2是传统PLS模型对校验集样品的4个指标进行预测的预测均方根误差(R')结果，表3是复合PLS模型结果直接距离法不同样品间距离对校验集样品的4个指标进行预测的R'结果，表4是复合PLS模型结果性质得分距离法不同样品间距离对校验集样品的4个指标进行预测的R'结果。对比这些数据可以看出，复合PLS模型的预测结果优于标准PLS建模的预测结果，直接距离法对各指标预测的波动较大，性质得分距离法不同距离时较稳定，Euclidean、Mahalanobis、Chebychev、Cosine和Correlation的距离算法预测效果基本相同，Hamming的距离算法总体效果较好。
4 结束语
PLS模型 篇4
近年, 创业教育因其在培养大学生创业意识、创业精神和创业能力方面的重要作用而受到国内众多高校的高度重视, 并且, 高校创业教育的效果评价问题也得到了学术界的广泛关注。从已有的研究成果看, 研究者关注的焦点大都集中于构建“自上而下”的创业教育质量评价体系【1】, 而从大学生角度对创业教育“自下而上”评价的研究成果还极为少见。
学生满意度调查是高校提升教育质量、促进学校发展、改善学校和学生之间关系的重要手段, 并被广泛应用于大学生对高等教育满意度的测评方面【2】。随着创业教育在国内各高校的相继开展, 高校创业教育已逐渐成为普通高等教育的一部分。但与普通高等教育不同的是, 创业教育更强调学生创新意识与精神的培养以及创业能力与素质的生成, 而创业活动本身所具有的社会性和实践性也客观上要求学生满意度在高校创业教育绩效评价中占有更大权重。
二、理论模型与研究假说
学生满意度概念源自于顾客满意度, 是指大学生在接受教育后对其期望和要求满足程度的主观评价。目前, 学生满意度的研究成果主要集中在大学生高等教育满意度方面。学者们根据国内高等教育的实际情况, 在参考瑞典顾客满意度指数模型 (SCSB) 、美国顾客满意度指数模型 (ACSI) 和欧洲顾客满意度指数模型 (ECSI) 的基础上构建了高等教育顾客满意度指数模型、高等教育服务过程满意度模型、大学生求学满意度模型【3】, 学习者远程教育满意度模型, 以及高等教育服务学生满意度指数模型等。已有的学生满意度模型主要由高校形象、学生期望 (学生期望是指大学生在接受教育之前对教育所寄予的期待和希望) 、教育质量感知 (教育质量感知是指学生在接受教育后所实际感受到的学校为其提供教育服务的质量评价) 、教育价值感知 (教育价值感知是指学生所感知的全部付出与全部所得而对所受教育效用的一个总体评价) 、学生满意度、学生忠诚和学生抱怨等几个结构变量构成。虽然, 到目前为止尚未有较为成熟的创业教育满意度模型, 但仍可根据高等教育与创业教育的关联性来构建大学生创业教育满意度理论模型。
在构建创业教育满意度理论模型的过程中舍去了高等教育学生满意度模型中的高校形象这一结构变量。此外, 本文的研究目的是探寻创业教育学生满意度的形成机理, 学生满意度是本研究所重点关注的内生变量, 因此在模型构建中又舍去了高等教育学生满意度模型中以学生满意度为外生变量的学生抱怨和学生忠诚这两个内生变量, 着重探讨创业教育实施过程中学生期望、质量感知、价值感知与学生满意度之间的因果关系。
就这几个结构变量间的因果关系而言, 张倩等的实证研究显示, 学生高等教育质量评价对学生所在高校的满意度有显著的正效应。在远程教育中, 学习者期望对价值感知的影响, 是经由质量感知而实现;质量感知既通过价值感知影响满意度, 也直接影响学生满意度【4】。刘慧等在高等教育学生满意度的实证研究结果显示:学生期望直接影响质量感知、价值感知和学生满意度;学生的高等教育质量感知直接影响价值感知, 而学生的高等教育价值感知又直接作用于学生的满意度【5】。由此看来, 学生满意度模型中几个结构变量之间的关系因研究对象的不同而存在差异。
高校创业教育与普通高等教育的共生性使两者一直保持着密切的关联, 为此, 根据本文的研究目的构建了高校创业教育学生满意度理论模型 (如图1所示) , 并提出如下假说
资料来源:本研究整理
假说1:学生期望正向影响大学生对创业教育的质量感知;
假说2:学生期望正向影响大学生对创业教育的价值感知;
假说3:学生期望正向影响大学生对创业教育的满意度;
假说4:大学生对创业教育的质量感知正向影响其价值感知;
假说5:大学生对创业教育的质量感知正向影响其满意度;
假说6:大学生对创业教育的价值感知正向影响其满意度。
三、研究设计
(一) 量表设计
本文所构建的创业教育大学生满意度模型中学生期望、价值感知和学生满意度等潜变量的测量量表主要参考了SCSB、ACSI、ECSI和清华大学中国企业研究中心构建的CCSI等顾客满意度指数模型测量量表, 并借鉴了国内学者金勇进、欧阳河和刘慧等构建的相关量表后, 根据创业教育的特点对上述量表进行修订后编制。由于创业教育在质量评价方面与普通高等教育存在一定的差异性, 本文中学生对创业教育质量感知的测量量表主要参考了陶丹等构建的高校创业教育质量评价指标体系中的相关指标, 最终形成了本文的测量量表 (见下表1) 。所有测量题项均采用李克特7级量表:1代表评价最低, 7代表评价最高。
资料来源:本研究整理
(二) 样本选择与数据收集
1. 样本选择
扬州大学是江苏省省属重点综合性大学, 在2008年被江苏省教育厅确定为首批“江苏省大学生创业教育示范校”之后, 扬州大学成立了创业教育教研室, 形成“网络自学+实训辅导”, 并且本科生全员必修创业教育课程的创业教育教学模式, 即以学生自学网络课程为主, 辅以教师全面及个性化辅导、组织实训和学习评价。网络教学应用扬州大学与锦程教育集团联合开发的网络教学平台上的视频课程, 提供了包括国内200余位权威学者、知名企业家、资深职业指导师、人力资源高级经理、高校一线优秀就业指导教师在内的优质创业教育资源。同时, 学校通过为学生聘请“科研导师”、“创业导师”、成立创业孵化园、创业基地等, 对学生进行分层培养的同时也给学生提供实战机会。
因此, 扬州大学学科的综合性、创业教育体系的完整性和创业教育课程的全员必修性也增强了以扬州大学本科生为研究对象的代表性。此外, 扬州大学招生以江苏省内为主, 而江苏省苏南、苏中、苏北社会与经济发展梯度与全国东西部社会经济发展的相似性也使得以扬州大学本科生作为样本的研究具有普遍意义。
2. 数据收集
本次调查以已修完全部创业教育课程的2010级扬州大学本科生为调查对象, 采取随机分层抽样法, 根据各学科门类的实际在校人数比例分配问卷。调查于2012年10月在扬州大学创业教育教研室的协助下实施。共发放问卷1000份, 回收969份, 得有效问卷885份。样本构成如下:
资料来源:本研究整理
(三) 计量模型与估计方法选择
本文所研究的大学生创业教育满意度、价值感知、质量感知、大学生期望等都属于大学生的主观认识, 难以直接测量和避免测量误差, 因此, 应采用结构方程模型来分析各潜变量之间的因果关系。在选择模型估计方法之前, 本文先对各测量题项数据的正态性进行了Shapiro-Wilk检验, 结果发现, 在1%和5%的显著性水平上, 所有题项的正态分布假设均被拒绝, 说明观测数据呈非正态分布。因此, 若继续采用最大似然法估计模型, 则参数估计值的标准误可能出现偏差, 模型卡方值可能被扩大。偏最小二乘法 (partial least square, PLS) 对数据分布的正态性、样本容量以及模型的识别条件等没有LISREL那么严格, 当研究目的是因果预测应用, 且理论知识非常缺乏时, PLS法则更加适合。目前, 我国高校创业教育学生满意度研究仍处于起步阶段, 本文虽借鉴高等教育学生满意度模型构建了高校创业教育学生满意度形成机理理论模型, 但由于高校创业教育与普通高等教育仍存在一定的差异性, 该理论框架还需通过实证分析予以检验。因此, 本文选择PLS法对结构方程模型进行估计。
四、实证检验
(一) 创业教育质量感知的因子分析
相比创业教育大学生满意度模型中学生期望、价值感知和满意度的测量量表, 创业教育质量感知的测量题项均来自高校创业教育质量评价指标, 为确保创业教育质量感知的测量效度, 本文利用SPSS16.0统计软件对创业教育质量感知的22个测量变量进行了探索性因子分析。在因子分析之前, 首先对数据进行KMO和Bartlett球形检验。检验结果如下:KMO值为0.975, Bartlett球形检验值中, 近似值为17981.577, 自由度为231, 显著性水平为0.000。可见, 对该数据进行因子分析是适当的。在对这22个变量进行主成分抽取和正交旋转后, 所有变量的累计方差解释量为69.066%。然而, 分析中发现, JS2、JS3、JF1、JF2、CS1、CS2、CS3、CSJ1、CSJ2等在两个萃取因子上的载荷相差不大, 因而本文将这些变量剔除, 并对剩余变量再次进行因子分析 (KMO值为0.945, Bartlett球形检验值中, 近似值为9118.466, 自由度为66, 显著性水平为0.000) , 发现累计方差解释量上升为74.320%, 且所有变量在两个萃取因子上的载荷差异明显, 且在各自因子上的载荷都大于0.7。
根据各题项的含义, 本文将最终因子分析中的因子Ⅰ和因子Ⅱ分别命名为“创业课程教学质量感知” (简称:教学质量感知) 和“创业实践活动质量感知” (简称:实践质量感知) 。
资料来源:本研究整理
(二) 信效度检验
本文利用Smart PLS2.0软件对问卷数据进行信度和效度检验, 结果显示, 所有潜变量的组合信度 (Composite Reliability) 和Cronbach’sα系数均大于0.7, 具有较高信度, 说明量表的可靠性和稳定性较好 (见表4) 。
效度分为收敛效度和区别效度, 由表5看出, 各潜变量的平均差异萃取量 (Average Variance Extracted, 简称“AVE”) 均大于0.5, 说明各潜变量的收敛效度较高。区别效度是指不同潜变量间应存在差异性。本文的区别效度采用每个潜变量AVE值的平方根与此潜变量与其他潜变量的相关系数来检验。表5中对角线数值表示每个潜变量AVE值的平方根, 非对角线上的数值表示各潜变量间相关系数。可以看出, 对角线上的数值为各潜变量AVE的平方根, 均大于非对角线该变量与其他变量间的相关系数, 说明各潜变量之间具有良好的区别效度。
资料来源:本研究整理
资料来源:本研究整理
(三) PLS结构方程模型检验
本文利用Smart PLS2.0软件, 采用Bootstrapping法对大学生创业教育满意度模型进行路径系数检验, 并依据T值的大小判断路径系数是否显著不为0。从模型的拟合指标R2值看 (见表4) , 各内生潜变量都能被外生潜变量较好地解释, 说明模型具有一定的预测能力。在分别执行重复抽取200、500、800、1000个样本的Bootstrap检验后, 模型各项指标趋于稳定 (见表6) 。
从表6可以看出:1.绝大多数的路径系数具有较高的T统计量, 通过了显著性水平为0.05的T检验 (t≥1.96) , 验证了假说1、假说2、假说3、假说4、假说6, 即学生期望正向影响大学生对创业教育的质量感知 (教学质量感知与实践质量感知) 、价值感知和满意度;大学生对创业教育的教学质量感知和实践质量感知正向显著影响其价值感知;大学生对创业教育的价值感知正向影响其满意度。
检验结果说明大学生对创业教育的课堂教学质量和实践活动质量的感知越高, 其对高校创业教育的价值感知越高;大学生对高校创业教育的价值感知越高, 其对创业教育的满意度越高。而且, 学生对高校创业教育的期望越高, 接受创业教育并参加相关活动后其对创业教育教学质量感知、实践质量感知、价值感知和满意度越高, 这也反映出目前的创业教育能够满足学生的期望。同时也验证了刘慧等 (2012) 对高等教育学生满意度的实证研究结论, 体现出高校创业教育同普通高等教育存在较多的相似之处。
资料来源:本研究整理
注:*表示p<0.05, **表示p<0.001资料来源:本研究整理
2. 实践教学→学生满意度和理论教学→学生满意度的路径系数未能通过显著性检验, 实证研究结论未能给予假说5以支持。说明大学生对创业教育的教学质量感知和实践质量感知未能显著直接影响其满意度。但从路径关系图中可以看出, 大学生对创业教育的课堂教学质量感知和实践活动质量感知显著正向影响其对创业教育的价值感知, 而价值感知又显著正向影响学生满意度, 这说明大学生对创业课程教学质量和创业实践活动质量的感知是通过大学生对创业教育的价值感知间接正向影响学生满意度, 即创业教育的课程教学和实践活动只有提升了大学生对创业教育的价值感知才能最终提升大学生的满意度。这一实证结论与其他学者对高等教育学生满意度的研究结论不同, 这也反映出高校创业教育与普通高等教育的差异性和高校创业教育的特殊性。
五、结论与讨论
大学生创业教育满意度的形成源于两个方面:一是直接来自学生期望, 二是学生期望通过对教学质量感知和实践活动质量感知影响大学生对创业教育的价值感知进而影响其满意度。因此, 为提高大学生创业教育满意度和高校创业教育的成效, 高校首先应在大学新生中开展创业教育的宣传和动员工作, 通过宣传和动员提高大学生对创业教育的期待和希望。其次, 高校创业教育活动开展和实施须以学生的创业教育价值感知提高为前提。事实上创业活动本身所具有的社会性和实践性客观上决定了创业教育课程及相关活动不同于普通高等教育中的专业课程。相比而言, 创业教育更强调学生创新意识与精神的培养及创业能力与素质的生成。如果学生感知不到创业教育的价值所在, 学生不仅对创业教育的满意度得不到提升, 更重要的是, 其对创业知识和技能的吸收和掌握程度将大打折扣, 将所学付诸于实践的可能性也会大大降低。因此, 开展创业教育, 不仅要重视大学生创业教育满意度的测评工作, 构建良好的学生满意度测评制度环境, 更需关注大学生的价值感知状况。同时, 创业教育的开展还应以充分的学生需求调研为基础, 立足学生能力与兴趣的提升, 根据学生需求制定符合学生期望的培养方案, 并通过加强创业教育质量的过程管理来确保方案的实施。
参考文献
[1]陶丹, 陈德慧.中国高校创业教育质量评价指标体系研究[J].科技管理研究, 2010 (5) :84-86.
[2]刘慧, 路正南.基于PLS路径建模技术的中国高等教育学生满意度测评研究[J].高教探索, 2012 (2) :30-36.
[3]鲜思东, 彭作祥.基于PLS-SEM的大学生求学满意度研究[J].数学的实践与认识, 2011 (16) :1-8.
[4]岳俊芳, 孙道金.学习者满意度评测在远程教育质量管理中的设计与应用——以中国人民大学网络教育为例[J].中国远程教育, 2011 (11) :38-41.
PLS模型 篇5
在当今知识社会中,企业把知识以及对知识的管理作为组织的重要战略资产[1],知识共享在知识管理的诸多环节中最为重要,是知识收集、 识别、吸收、整合和再创造的前提[2]。通过员工间的知识共享,知识才能从个人层面上升至组织层面,提升组织的综合能力,实现组织的竞争和经济价值,因此加强企业的知识共享成为企业获取竞争优势的关键[3]。在全球化竞争日趋激烈的背景下,创新既是获取和保持竞争优势的有效途径也是组织具备竞争优势的特征表现。创新是驱动组织成长的主要因素,只有不断地创造新的产品、系统和服务才能保证组织的各个部门都符合长期发展的要求,可以说,组织最重要的成功要素就是 “不断创新”[4]。
从上世纪80年代以来,组织文化的思想开始影响管理理论研究,之后大量的研究认为组织文化在企业经营业绩中有着重大作用,甚至可以决定企业的兴衰[5]。组织文化尤其是组织价值观对员工的态度和行为的影响巨大,在那些将坦白、 开放和沟通作为基本原则的组织内,员工彼此信任、亲密、热衷于知识共享,大量知识内化到组织中后作用得到放大,从而激发和辅助创新产生。 国内外学者对知识共享的影响因素、知识共享与知识特性、组织绩效的关系等方面已经做了大量的研究[6,7,8,9],近年来有关知识在组织内与组织间共享的障碍、知识共享与组织文化等的关系方面的研究不断涌现,Paavo和Marianne等人的研究就认为,知识共享与组织创新绩效间存在密切关联[10,11,12,13,14]。
知识共享通过何种途径引发组织创新行为以及创新绩效如何衡量引起了学者的热切关注。尤其是一些高技术企业为了在快速变化的环境中获得竞争优势,更加需要依靠员工间和组织内外充分有效的知识共享来促进组织不断创新。组织文化影响和规范员工的价值观和行为方式,员工对待知识共享的态度和行为必然受到其影响,因此寻求和建立适合知识共享的组织氛围和规则是提高组织创新绩效的重要途径。国内外学者就知识共享、组织文化和创新绩效的相关内容做了一些研究,但是存在以下不足: 1缺少系统性和整合性的组织文化特性理论分析框架; 2实证验证知识共享、组织文化和创新绩效间关系的成果较少。 针对现有研究的不足,本文依据相关文献以组织文化特性为中介变量搭建知识共享、组织文化和创新绩效之间逻辑关系的概念模型。运用基于偏最小二乘法 ( PLS) 的结构方程模型 ( SEM) ,采用Smart PLS2. 0软件验证知识共享、组织文化和创新绩效之间的理论关系,着重验证组织文化特性不同维度在知识共享和创新绩效之间的部分中介作用。实证分析结果将为组织正确认识和对待知识共享的态度,识别和放大有利于知识共享的组织文化特性,为进一步提高组织创新绩效提供实践指导。
1文献回顾和提出假设
1.1组织文化特性和创新绩效
综合国内外学者对组织文化的特性和建构维度等方面的众多阐述,依据组织的战略重点和组织回应外部环境方式,本文认为组织文化 ( Organizational Culture) 特性框架模型包括以下6个建构维度,依次为开放性 ( Openness,量表中简称为OPE) 、自动性 ( Automaticity,量表中简称为AUT) 、参与性 ( Involvement,量表中简称为INV) 、合理性 ( Consistency,量表中简称为CON) 、目的性 ( Mission, 量表中简称为MIS) 和适应性 ( Adaptability,量表中简称为ADA)[15,16]。开放性强调组织认识到新的价值来源于组织的外部关系,而后将其应用于产品创新和技术的商业化,这就构成了组织的所谓 “吸收能力”。这种吸收能力通过外部学习加快组织创新[17]。自动性强调组织内支持知识传递流程,员工看待知识共享为其日常业务[18]。参与性强调全职并且工作联系紧密的组织员工能够加快复杂技术的项目完成[19]。合理性强调影响组织行为的信仰以及共同的价值观,有助于保持组织内部行为模式的有序性和稳定性,对知识共享的一贯看法会决定知识共享的途径和效果[20]。目的性强调组织注重知识共享的态度充分源于提升创新绩效的商业价值,并由此促进组织学习[21]。适应性强调组织为了获取创新所产生的先发优势,不断探索、改变和超越现有的知识基础,更新适应环境变化的组织结构和知识体系[10]。
Suellen和Julia等通过研究指出,具有良好氛围的组织能为知识共享提供更加有效的途径,员工更容易产生创新行为,员工的创新行为是组织提高创新绩效 ( Innovation Performance) ,获取核心竞争能力从而保持市场领先地位的重要条件[22,23]。Dyer和Singh认为组织文化的开放性和参与性保证组织在面对迅速变化的内外部环境时,组织员工能以较高的灵活性应对新的要求和机会,依靠自身的创新特质对创新行为产生影响[17]。Paavo和Heidi等人认为组织文化的自动性和适应性保证了员工可以作为具有自主意识和能动性的个体,行为和思想意识受到组织文化影响的同时也反作用于组织氛围,两者相互促进全面激发员工的创新意识,促进组织持续创新[10]。Mueller等人认为组织文化的合理性和目的性保证了组织文化在各级战略意图上如果是合理又明确的,就可以有效激发员工的积极性和创造性,员工乐于进行知识共享和技术 创新,组织创新 绩效由此 得到提高[21]。创新所带来经济利益越高组织的创新绩效越大。组织通过不断增加知识和技术的积累,改进生产技术并提高产品质量,推出可以在市场上保持优势和领导地位的新产品,从而获得组织核心竞争能力。组织可以依靠完善合理的组织文化, 重视和促进员工对现有知识共享的态度、行为进一步改进、完善和拓展,深入吸收、消化和放大现有知识,为组织提升创新绩效打开通道。
假设1: 合理的组织文化特性对创新绩效有显著的正向影响。
1.2知识共享与创新绩效
知识经济时代,组织知识的创造与共享能力是组织创新绩效的重要来源。特别是对于那些为了更好的适应外界环境的快速变化而采取灵活扁平化组织结构的高技术企业,其创新绩效更加依赖员工间、团队间和部门间的知识共享,组织的竞争优势在于比竞争对手更快、更有效地学习、 分享和创造知识[24]。知识共享 ( Knowledge Sharing) 不仅包括可形式化、可编辑、可用文字和语言等媒介传达的显性知识共享,也包括难以用语言表述和沟通的属于个体拥有的专业技能、经验教训、诀窍、思路和灵感等隐性知识的共享。 而且由于隐性知识的显性化和个体知识的组织化能够大幅提升组织整体创新绩效,因此隐性知识共享相比显性知识共享在高技术组织创新中往往更为重要。而且对于组织来说,知识提供者 ( 拥有者) 与接收者的传递中,不仅简单完成了知识的存取和分享,双方在交流互动中所获得的信息与经验都会转化和增加。换句话说,知识的共享比掌握知识本身更重要,知识的价值在于分享。 世界知名的Arthur Andersen咨询公司曾提出著名的有关知识管理的公式,强调知识共享在知识管理中的重要性,公式如下:
其中,KM指知识管理 ( Knowledge Management ) ; I指信息 ( Information ) ;+ 指技术 ( Technology) ; P指人 ( People) ; S指分享 ( Sharing) 。公式说明了人员和信息是知识管理中的重要组成,而知识共享可使知识管理产生指数成长的效果,促使其效能充分地发挥,从而培育出竞争对手难以模仿和替代的核心竞争力。
假设2: 知识共享对创新绩效有显著的正向影响。
1.3知识共享、组织文化特性与创新绩效
知识共享是知识管理的核心,决定着组织知识管理的成败,而且有大量研究表明组织实施知识管理以提升组织创新绩效为目的。组织制度指导和规范员工行为,员工依照组织制度分享组织的内部文件、图纸、数据库、说明书及模型和软件工具等显性知识。而组织成员隐性知识的共享与组织内有关知识共享的文化和价值观氛围密切相关,当组织拥有广泛接受和遵循的核心价值观, 能够尊重知识和合理对待员工,擅于培育适应知识共享的文化和氛围,就会有效地提高在长期工作中组织成员所形成的专业技能、实践经验、工作窍门和成熟技术等隐性知识的自发共享。
员工对知识共享的态度和行为一定程度上决定于他们对组织的满意度,不合理的组织文化会给知识共享带来障碍。知识共享障碍按照发生途径可以划分为员工 ( Individual) 间、组织 ( Organizational) 间和技术 ( Technological ) 间3种, 但实际中障碍之间多是交叉联系的[26]。员工在自主交流工作经验和体会的过程中,建立起友谊和信任,员工自动参与在知识共享过程中充分发扬, 团队合力明显提升[12]; 组织间依靠存在于组织内部的资源和规则,形成知识共享网络,随着组织内外的知识流动、转化和交易,组织氛围变得不断开放,利于知识共享的更加合理的规则逐渐被组织采纳; 在竞争日益激烈的情况下,员工意识到掌握最先进的知识技术才能避免被淘汰[10],因此在组织内适当地引入竞争机制,员工通过知识共享有目的地获取技术知识,在持续变化的环境中塑造各自技能的不可替代性。知识共享破除了以上3个层面的障碍后,员工的个人知识经过共享凝聚上升为组织的整体知识,组织层面知识的功能导向知识的创新和高效利用,得到强化的组织协调和激励新的知识再被个体和组织吸收、利用和再次创新[20]。在如此周而复始的不断积累、 共享和创新循环运行中,组织文化为知识共享与知识创新间搭建桥梁,实现员工知识和技能的互补,降低组织创新所需知识的获取难度和时间成本,组织创新绩效得到提升。
假设3: 知识共享有利于组织文化特性的完善和放大。
假设4 : 知识共享主要通过完善及放大组织文化特性,间接提高组织创新绩效,合理而健全的组织文化是知识共享与创新绩效关系间的部分中介变量或完全中介变量 。
综合以上假设,本文构建了知识共享 、 组织文化特性和创新绩效关系概念模型,见图1。
2研究方法
2.1研究样本分析
本文研究以我国战略性新兴海洋装备工程制造业为例,问卷设计内容主要源于专家访谈,受访者有来自于海洋工程装备设计研究院,也有来自于海洋工程制造企业从事技术创新或组织文化建设等相关工作,入选者均经同行的建议或推荐, 从事相关工作8 ~ 20年。访谈目的在于深入发现在海洋装备制造企业中组织文化特性对知识共享与创新绩效关系的中介作用,并探讨潜在的结构研究模型。本文的调研对象涉及海洋装备制造企业的中高层管理人员,共发放调查问卷550份, 回收问卷489份,删除无效问卷45份,有效问卷444份,问卷有效率为80. 7% 。
2.2量表相关检验
表1显示了量表相关检验结果。量表内容的确定遵循国内外知识分享、组织文化特性、创新绩效相关文献和具有说服力的量表,其中知识分享量表主 要参考Marianne ( 2013 ) 的相关文 献[27]; 组织文化特性量表参考和借鉴了Anosoff ( 1979) 和Denison ( 1995) 的相关文献和Suellen和Leonard ( 2014) 具有说服 力的量表[15,16,22]; 创新绩效量表主要参考Victor ( 2007) 和Massimo ( 2014) 的相关文献[28,29]。遵循信度 检验a值 ( 一般大于0. 7) 、KMO ( 须大于0. 6) 、累积解释总方差数量 ( 大于基本标准50% ) 及因子载荷 ( 大于0. 5) 的基本条件和准则,表1中信度和效度指标均显著,量表通过了信度检验和效度检验。
3实证案例研究
基于PLS - SEM的优点,采用基于偏最小二乘法的SEM验证图1概念模型中的相关理论假设,实证分析知识分享分别与组织文化开放性 、 组织文化自动性 、 组织文化参与性 、 组织文化合理性 、 组织文化目的性和组织文化适应性,以及以上组织文化特性6个维度与创新绩效之间的关系 。 将通过检验的31项指标数据带入构造的结构方程模型,采用Smart PLS2. 0软件对数据进行迭代运算,获得结果见图2 ,模型相关指标如表2所示,概念模型的标准化路径系数和作用路径成立 。PLS的全局匹配优度指标是衡量PLS - SEM模型拟合优度的重要指标,计算得Go P数值为0. 6216 ,表明模型的拟合效果可以接受 。
知识共享和组织文化开放性之间的系数是0. 477,P = 0. 000小于0. 001,表明知识共享和组织文化开放性有显著正向影响。知识共享与组织文化自动性之间的系数是0. 223,P = 0. 025小于0. 05,表明知识共享和组织文化自动性有显著正向影响。知识共享与组织文化参与性之间的系数是0. 302,P = 0. 007小于0. 01,表明知识共享和组织文化参与性有显著正向影响。知识共享与组织文化合理性之间的系数是0. 567,P = 0. 000小于0. 001,表明知识共享和组织文化合理性有显著正向影响。知识共享与组织文化目的性之间的系数是0. 257,P = 0. 004小于0. 01,表明知识共享和组织文化目的性有显著正向影响。知识共享与组织文 化适应性 之间的系 数是0. 196,P = 0. 046小于0. 05,表明知识共享和组织文化开放性有显著正向影响。综合比较,知识共享对组织文化开放性和合理性的正向影响更加显著。以上结论证明假设3成立。
组织文化开放性和创新绩效之间的系数是0. 504,P = 0. 000小于0. 001,表明组织文化开放性对创新绩效有显著正向影响。组织文化自动性和创新绩效之间的系数是0. 170,P = 0. 017小于0. 05,表明组织文化自动性对创新绩效有显著正向影响。组织文化参与性和创新绩效之间的系数是0. 369,P = 0. 007小于0. 01,表明组织文化参与性对创新绩效有显著正向影响。组织文化合理性和创新绩效之间的系数是0. 379,P = 0. 004小于0. 01,表明组织文化合理性对创新绩效有显著正向影响。组织文化目的性和创新绩效之间的系数是0. 107,P = 0. 036小于0. 05,表明组织文化目的性对创新绩效有显著正向影响。组织文化适应性和创新绩效之间的系数是0. 442,P = 0. 005小于0. 01,表明组织文化适应性对创新绩效有显著正向影响。综合比较,组织文化开放性和适应性对创新绩效的正向影响更加显著。以上结论证明假设1成立。
组织文化和创新效率之间的系数是0. 338,P = 0. 007,小于0. 01,表明组织文化对创新效率有显著正向影响。基于PLS - SEM的实证分析结论进一步表明,组织文化开放性、组织文化自动性、组织文化参与性、组织文化合理性、组织文化目的性、组织文化适应性均为知识共享和创新绩效之间的部分中介变量,部分传递知识共享和创新绩效之间的关系,即组织文化在知识共享与创新绩效之间起到部分中介作用,说明知识共享在一定程度上通过影响组织文化间接作用于创新绩效。模型假设2和假设4得到了验证。
4结论
PLS模型 篇6
近年来我国对高等教育的需求逐步提高,高等教育的规模扩张、办学基础设施及人员经费不断改善,导致高校支出水平不断提高。由于财政性教育经费投入滞后于我国高校规模的发展,高校开始面临发展经费不足的问题,社会捐赠尤其是校友捐赠引发了高校关注。高校希望获得校友持续、稳定的捐助,而采用提升高校影响力的方式来获取更多资源,基本上是目前社会普遍认可、且高校已经在不断实践的方式。但具体看来: 高校的影响力在多大程度上影响到校友捐赠? 高校影响力通过什么路径影响校友捐赠? 高校科研改善对校友捐赠是否有正向的影响?在我国现有的环境下,高校提升校友捐赠最有效的方式是什么? 虽然海外研究已积累了大量经验,但要切实改善我国校友捐赠的效率效果,仅靠模仿还远远不够,还需要结合本土的实践数据进行归因分析,为高校找出促进校友捐赠的中国道路。本研究希望通过建立高校影响力对校友捐赠作用的结构模型,以实证数据展示我国高校影响力对校友捐赠的作用路径,从而对高校相关工作提出策略建议,为未来提升大学的存续能力、将捐赠发展为大学持续稳妥的收入来源提供参考。
二、研究方法与研究假设
1. 研究方法。本研究使用Smart PLS2.0软件进行探索性研究。基于成分提取的PLS方法具有很强的解释与预测能力,对数据的分布没有严格要求而且适用于小样本数据分析[1]。PLS适合于分析反映性与形成性指标,既可用于理论的验证,还尤其适用于新理论的探索与预测,而不会产生不合理估值及模型无法辨认问题。基于PLS结构方程模型被称为PLS路径模型,是检验观测变量和维度、维度和指标关系的一种多元模型, 因此,PLS路径分析十分适合考察高校社会影响力对校友捐赠的影响。
本研究在文献综述的基础上从毕业生影响、学术影响、技术转化、社会声誉四个维度展示高校影响力,建立其对校友捐赠影响的路径模型,结合数据分析验证基本假设,从而揭示有效作用于校友捐赠的要素。
2. 研究假设。
(1)文献综述。有关高校影响力的研究文献多涉及大学排名指标体系的构建和评估。表1列出了国内外知名高校的排行及其指标标准。也有国内学者提出其他指标建构方式,包括:吴剑平等认为社会贡献及社会声誉是衡量一所大学社会影响力的关键,一所大学社会贡献的总得分=40%人才培养贡献得分+30%科学研究贡献得分+30%社会服务贡献得分。而社会声誉分值=媒体出现频度分值×40%+社会知名人士调查分值×60%来衡量[2]。
高校影响力最强调学术影响力,最典型的有上海交通大学主持研究的基于学术影响力的“世界大学学术排名”。其指标计算值为:诺贝尔奖得主和菲尔兹奖得主的毕业生/学生数 (10%)+诺贝尔奖得主和菲尔兹奖得主的教师数(20%)+各学科领域论文被引用次数最高的 学者人数 +Nature、Science发表的论 文数(20%)+科学引文索引 (SCIE) 和社会科学引文索引(SSCI) 收录论文数 (20%)+全职教师人均学术表现(10%)[3]。国内关于高校学术影响力的研究主要分为两类:一类为高校科技论文影响力评估———分析对象为科研水平较高的院校或专业,所用指标多为国际科研评估指标, 普遍接受的有如SCI、SSCI、ESI论文发文量及引用数,以及Ei、ISTP等指标;另一类为针对学术或高校校报期刊的学术影响力分析[4]。亦有学者将国际学科排名、举办国际学术会议数量、国际合作研究项目数等指标列入用于国际学术影响力评估[5],但仅局限于个别有学术影响力的高校的分析。此外,西南交通大学高等教育研究所提出用中国大学国际化水平排名体现高校的国际影响力,武汉大学邱均平等提出用中国高校网络排行榜展示中国高校的网络影响力。但这些社会评价型的排行榜通常只讨论入榜的前200所左右的高校,样本相对集中于优势高校。
资料来源:根据各排名机构官方网站提供的排名方法信息整理
从高校捐赠的影响因素及其实证方面的文献来看:国外对高校捐赠的行为及动机在二十世纪八九十年代就有较多研究,包括对学校类型、毕业生性别、学历层次、生活状况、在校活跃情况、毕业生满意度、毕业生收入、校友服务水平、学校筹资努力程度、学校教育质量等方面对高校捐赠的影响研究[6,7,8]。而国内对高校社会捐赠的研究尚处于初始阶段,目前主要集中在对高校社会捐赠的必要性分析,高校社会捐赠情况介绍、比较及经验总结,以及我国高校对社会捐赠的管理,捐赠的道德、法律制度分析等方面[9]。绝大部分的文献属于思辨型, 而将我国高校捐赠问题量化、实证化的研究还比较少见。而有关高校影响力衡量指标体系的文献较多,主要有如下5个特点:
第一, 所有指标体系都会强调高校的学术影响———因为这无疑是高校的重要职能, 且学术本身有较为清晰的判别标准, 容易进行统计分析。但部分国际学术指标设计不太适用于我国不同层次的高校,如SCI、SSCI等。国家社会科学奖、国家及教育部科技奖、国家专利奖的获取院校也较为集中于有研究优势的100所高校,如果用于分析我国的所有高校,则会出现样本数据缺失值过多的现象。
第二,毕业生影响在近期也引发广泛关注,强调杰出校友对高校的贡献、毕业生质量对高校整体形象的影响,与高校人才培养的核心职能相呼应。不同的排行对该项的权重分配有差异,但指标选取已经取得一定共识。
第三,社会声誉指标开始受到重视。文献开始注意媒体对高校的作用,但各家评估机构使用的具体指标还存在差异,部分指标解读和统计口径不清。
第四,近年来,高校的社会责任被予以强化,高校的社会服务被认为是社会影响力的重要体现。但由于高校社会服务在学界还缺乏明晰界定,高校也缺乏准确的数据统计,目前缺乏良好的指标衡量,而仅有技术转化是比较折衷的能体现高校社会服务的指标。
第五,部分指标体系强调高校基础设施与管理制度的影响,但在具体操作过程中可能出现数据口径统一方面的问题,且很多指标在高校层面并未有公开获取渠道,不利于做较大样本的分析。
而对高校校友捐赠的衡量指标比较直接———即高校获取的累积校友捐赠数额,当前中国校友会网的统计资料被视为权威数据资料。那么根据以上文献的梳理分析,在研究高校影响力对校友捐赠的影响问题上,本研究做出以下4个维度的基本假设:
(2)基本假设。
H1:高校学术影响 (A)对校友捐赠 (D)有显著正向作用
H2:高校毕业生影响 (G)对校友捐赠 (D)有显著正向作用
H3:高校社会声誉(M)对校友捐赠(D)有显著正向作用
H4:高校技术转化 (T)对校友捐赠 (D)有显著正向作用
(3)指标选取。在确定基本假设之后,本研究各项指标选取也尽量从数据可得性、口径一致性、权威性、科学性的角度设立。
首先考虑的是数据的可得性。如校友捐赠数据来源于中国校友会网提供的唯一全国性公开数据,本研究选取的是累积校友捐赠达500万元的96所高校;而本研究未选用国际高校评估指标的重要原因是由于我国高校的发展有限,绝大部分高校难以使用国际高校排行指标进行评价, 如2014年我国能列入QS世界排名前700名的高校仅25所(不含港澳台)。舍弃这部分学术指标的原因在于避免部分院校在某些指标上缺失值过多。
其次,为了保证数据口径的一致性,且体现社会评价性, 本研究在指标选取方面尽量选取了2014年中国校友会网的其他数据, 来展示这96所高校在2013年的表现。
再次,为保证数据的权威性,本研究也选取国家教育部科学技术司公布的《2013全国高校科技统计资料汇编》的原始数据,能较为全面地显示2013年这部分院校的科技活动产出情况。
最后,为保证数据的科学性,对一些指标进行了整合处理。如为了体现高校间科研质量上的差异,除了选取无水平差异的专著及论文数外,还引入ESI论文数作为调节;而在社会声誉上, 对高校获奖水平也由国家级奖项数据进行调节, 用以提升指标的科学性。且研究还引入学校规模作为控制变量, 以消解因高校教研人员数量多寡引起的数据差异。另外,指标的最终归属确定还经过了数据模型的调试, 以确保各指标之间以及指标对各维度有较科学的解释力。具体指标设计见表2。
三、 模型评估与结果解读
根据Smart PLS 2.0的运行结果如表3所示。
1. 信效度分析。
(1)Smart PLS用各结构变量的组合信度 (CR)和Cronbach’s Alpha测量信度。本研究CR值达到了0.85以上, 超过了0.7,Cronbach’s Alpha达到0.8以上,超过0.6,说明每个维度都具有较高的可靠性。
(2)每个维度的平均方差抽取量 (AVE)大于0.5,即每个维度的各个测量指标平均都至少解释了该建构的50%。
2. 模型的解释能力。
(1)主要维度对校友捐赠的解释能力较强。R2用于衡量结构模型的解释能力。模型检验如表3所示:可以看出:校友捐赠(D)回归方程的R2高达0.784,大于0.7,表明毕业生影响(G)、学术影响(A)与社会声誉(M)、技术转化(T)对校友捐赠(D)解释度较好,表明了该模型具有较好的合理性。
(2)模型中维度对指标具有较好的解释能力。
公因子方差(Communality)衡量模型中维度对指标的预测能力,即指标的反差中由维度解释的部分所占的比例。如表2所示,从公因子方差的角度来看,各个维度的公因子方差值均大于0.7, 表明维度对其指标有较好的解释能力。
3. 影响路径分析及假设验证。结构模型中各影响维度及控制变量对高校影响力对高校校友捐赠的方差解释度达到78%, 从分析结果(图1)可以得出,以t>1.96为显著条件,毕业生影响(P<0.05)、社会声誉(P<0.05)对高校的校友捐赠都有显著的影响。但学术影响和技术转化对校友捐赠的影响并不大。
即:
H1:高校学术影响 (A)对校友捐赠 (D)有显著正向作用,不成立。
这与研究预期不同,揭示出在我国论文、专著的提高并不能吸引更多的校友捐赠,而甚至会轻微地显示负效应。这也许与过分的科研导向导致学校对学生教学、学生体验的关注度减小从而引起学生和校友不满有一定关系。
H2:高校毕业生影响 (G)对校友捐赠 (D)有显著正向作用,成立。
即高质量的毕业生和杰出的校友会吸引更多的校友捐赠, 说明高校为学生和校友提供的服务越优质,越有良好的回报。
H3:高校社会声誉(M)对校友捐赠(D)有显著正向作用,成立。
即高校的媒体关注度越高, 获得的科技奖项、国家奖励越多,越可能带来更多的校友捐赠,这一点与预期相符。
H4:高校技术转化 (T)对校友捐赠 (D)有显著正向作用,不成立。
即高校即便签署的技术转化合同和技术转化收入更多,也不能明显地吸引到更多的校友捐赠。这也许是由于高校与校友联系不紧密,同时对自己技术转化方面的成绩宣传力度不够而造成的。
4. 延伸分析。在发现高校毕业生影响(G)与高校社会声誉(M)对校友捐赠(D)有显著正向作用之后,对于如何提高高校的毕业生和社会声誉影响,我们进行了思考与进一步的分析。学生和教师是否是提高毕业生影响与高校社会声誉的关键所在呢? 在此,我们引入了中国校友会网2014年数据中的“毕业生质量”指标以及武书连版2014年“生源质量”指标1进行进一步挖掘,结果如图2所示。
图 2 教师质量及生源质量对毕业生及社会声誉的作用模型参数估计
可以看出, 教师质量的提高对高校毕业生影响、高校社会声誉均有显著正向影响,而生源质量对这两项的影响均不显著,说明高校的教师质量才是提升高校校友捐赠的终极影响因素。
四、对策与建议
1. 引进和培育优质的师资不容忽视。从以上分析发现,对我国高校来说,教师质量才是高校发展的核心。能否培养出高质量的毕业生更多地取决于是否有优质的师资, 其影响力甚至大于学生入校前的质量。而优秀的教师亦是营造较好社会声誉的基础,只有优质的师资才能获得更多的科技奖项,同时换来更大的媒体关注度。引进和培育优质的师资才是高校未来获得更多社会资源的关键。
2. 善于经营社会声誉才可获得更多资源。社会声誉相比毕业生影响、学术影响、技术转化来说,对校友捐赠影响程度更高。说明我国高校如果希望获得更多的资源,在做好自己的职能工作以外,尤其应注意社会声誉的经营,通过良好的媒体关注度引发校友及社会各界的关注,才能赢得获取资源的机会。而在学校本身来看, 获取各类科技奖项是引发媒体关注,营造良好社会形象的重要途径, 高校还需加强自身建设,以实力赢得社会关注,以正能量鼓舞和引领社会。
3. 学生及校友服务的增强会有回报。不论是国外的经验还是我国的数据分析,都显示出毕业生质量以及杰出校友的培养对高校未来获取校友的回报有着显著的关系。毕业生质量是未来校友发展的基础,而校友个人发展与大学发展有互利共赢的关系,校友未来的增值才是大学增值的保证。大学只有关心和支持今日学生、明日校友的学术及事业发展,提升大学生对母校的认同度和归属感———当其成为杰出校友、事业如日中天之时,才会积极回报母校和社会。
4. 学术并非获取资源的唯一途径 。 对 我国的数据分析显示,高校的学术成果的提升并不会显著吸引校友捐赠。不少高校认为要吸引资源必须提升大学排名,而大学排名只能依靠学术和研究来提升,于是将论文发表数、课题项目数等学术科研指标作为教师考核体系的唯一核心,这是不科学也是不必要的。而由此导致高校忽视教学,而未能培养出高质量的毕业生更会得不偿失。本研究的模型再次说明了人才培养才是高校吸引资源的核心———不论是科研型的高校还是教学型的高校,培养的人才能适应社会需要,才是未来高校与社会共赢协同发展的正道。