4 数据分析与结果

4.1同源误差分析

由于我们从不同的来源收集数据,较好的避免了变量之间的同源误差问题｡两个自变量(线下店铺形象和线上店铺形象)和应变量(市场绩效和客户满意度)是被不同的主体评估得到,因此两者间的同源误差被很好的避免了｡其中,线下店铺形象通过专家打分获得,线上店铺形象从网上直接爬取数据获得,而企业绩效则通过问卷调查获得｡

然而,因为中介变量(线上线下渠道协同)和因变量均由被调查者报告得到,两者间可能存在同源误差[35]｡为了最小化两者间的同源误差,我们基于podsakoff等人的建议采取了如下方法[35]:(1)在问卷设计上将线上线下渠道整合与企业绩效穿插排列,实现了顺序排列而导致的启动效应｡(2)进行匿名调查,并取得被调查者的信任｡(3)用标记变量的方法检查同源误差[36]｡在PLS模型中加入了一个同源因子,该同源因子的指标涵盖了所有构念的指标,然后计算被主构念和同源因子解释的每个指标的方差,我们发现主概念指标的平均方差解释(AVE)是0.304,而同源因子指标的平均变异是0.015,同源因子中没有一个指标的载荷是显著的｡该检验也证明同源误差变异不可能严重的威胁到我们检验模型的有效性｡

4.2数据分析方法选择

由于我们的模型中既包含构成型构念,又包含反映型构念,并且样本数量相对较少,我们选择了偏最小二乘的结构方程模型[37],使用Smart-PLS2.0软件作为我们模型检验和数据分析的工具｡依照Anderson等[38]推荐的二阶段分析程序,我们在对测量模型评估后检验了模型的结构关系｡

4.3测量模型检验

线下店铺形象､线上店铺形象和线上线下渠道协同都是构成型构念,是由指标决定的潜变量,需要确保测量的宽度,如果不能全面的反映该构念的各个方面则可能会导致相关指标被排除[39]｡因此,我们严格遵守Diamantopoulos[40]等对指标构建的建议以确保我们测量的有效性｡首先,我们计算了项目权重来评估每个项目在形成相应构念时的相关性,如表2所示,大部分项目的权重是显著的,虽然有几项权重不显著,但为了保证构念的宽度,仍然保留了该项目｡其次,我们检查了构念之间的共线性,以尽量减少区分个别项目的不同影响的困难｡多重共线性的取值范围为[1.226,3.593],远低于方差通货膨胀系数(VIF)临界值5｡

对于一阶反映型构念:市场绩效和客户满意度,我们评估了测量的可靠性,收敛效度和判别效度｡表3列出了这些变量的测量属性和描述性统计｡构念的所有因子载荷都高于0.7,复合可靠性均高于0.7的阈值,AVE值均高于0.5｡结果充分证明了这些构念的规模可靠性和收敛效度｡此外,我们评估了构念之间的判别效度,如表4所示｡

4.4结构模型检验结果

在PLS中,结构方程模型的分析主要集中在对路径系数及其显著性的分析上,R2值反映了对每个内生变量的解释程度｡我们首先检验了控制变量对企业绩效的影响(见表5模型1)｡接下来,我们加入了线上店铺形象､线下店铺形象､线上线下渠道整合和店铺位置变量,用于确定它们对企业绩效的影响(见表6模型2)｡从表6的检验结果可知,在控制变量模型(模型1)基础上添加理论变量(模型2)后,对市场绩效的变异解释增加了42.4%,对客户满意度的变异解释增加了41.5%｡接下来,我们用pseudo F-test评估了增加理论变量后对绩效R2变化的影响｡用f2和pseudo F-test来具体表示｡如表5所示,在控制模型上增加了理论变量后显著的提升了对市场绩效和客户满意度的变异解释｡全模型对市场绩效和客户满意度变异解释的效应量f2分别为0.753和0.717,都处于高影响的水平[41]｡我们模型中的变量能够解释市场绩效变异的43.7%,客户满意度变异的42.1%,说明模型具有中等水平的预测力[37]｡加入的平台数有一个弱显著的关系,说明加入的平台越多,在O2O环境中对企业的市场绩效越有帮助｡