1、创业者性格特质对机会识别的影响：基于 PSED的实证研究摘要：从特质论视角出发，文章创造性地构建了创业者机会识别方式选择模型。以 PSED的横截面数据为样本，采用多元和二元 logit 回归方法，文章检验了美国创业者创新导向、成就动机、自我效能、控制源、模糊容忍能力、自主性等性格特质对搜索、发现、浮现等三种机会识别方式选择的影响。结果表明，成就动机、控制源、模糊容忍能力及自主性等特质对创业者在搜索与发现，发现与浮现之间的选择有显著影响。 关键词：性格特质；机会识别；PSED 中图分类号：F270 文献标识码：A 文章编号：1000-2154（2013）06-0029-10 一、引言 自上世纪
2、70 年代开始陆续有学者致力于将创业学发展为一个独立的学科，然而由于缺乏完整的理论体系和研究框架，创业在相当长一段时间内至多只能作为一种有趣的经济现象而存在。直到Venkataraman、Shane 和 Venkataraman 提出以“识别和利用创业机会”取代“谁能成为创业者”作为创业研究的核心，这一状况才逐渐得到改善，创业学终于有可能构建其完整的理论框架。然而，长达 20 年的创业特质研究是否真的毫无价值呢？基于现有的认识，学术界或许仅能肯定特质研究的未来具有较大的不确定性，但无法断言特质研究是错误的。Casson 和 Sarason 等认为创业应该是个体和机会的结合，只有将个体与机会相结
3、合，才能实现特质研究的意义。也就是说，特质研究并非完全错误，只是没有找到正确的方向。 根据对创业领域主流期刊的统计研究，发现近年发表的文章绝大多数以“创业机会”为主题。在已有的创业机会研究中，机会识别问题则被视为重中之重。机会识别是整个创业过程的首要环节，在进入具体的创业环节，亦即机会利用阶段之前，创业者首先要识别到合适的机会。然而实践表明，创业机会往往只能为一部分创业者所识别。那么，为什么是一部分人，而非其他人识别到创业机会？近年来许多学者围绕此问题展开了深入分析，发现了一些影响机会识别的因素，包括先验知识和信息不对称、社会网络、创业警觉性、人力资本等。然而，这些研究至少存在以下两点不足：一
4、是大多数研究仅关注“为什么是一些人而非另一些人识别到创业机会” ，并没有回答“创业者选择何种方式识别创业机会” ；二是鲜有学者将性格特质与机会识别联系起来。 事实上，与其它因素一样，性格特质可能是影响机会识别的重要变量。基于此，本文试图探讨创业者的性格特质如何影响其机会识别选择方式，即具有何种性格特质的创业者更倾向于运用何种机会识别方式。这对于正确认识性格特质的重要性，推动创业研究的深入发展无疑具有重要意义。同时，对于创业政策的制定者及创业者本人而言，都具有较强的指导意义。 二、文献综述与模型构建 目前，尽管国内外学者已从不同角度构建了许多机会识别模型，但对于“何谓机会识别”这一基本问题尚无定
5、论，这从“识别”这一词语的英文表述即可看出。通过对创业研究相关文献的整理可以发现，至少有以下词汇常被用于机会识别的表述：generation、identification、detection、formation、development、creation、discovery、search、enactment。之所以如此，主要是因为不同学者对创业机会来源的理解存在分歧。新古典经济学派坚持机会客观存在，并假设市场处于均衡时，任何人都无法发现能够产生创业租的资源配置失当情况，因为在任何时点，经济中的任何机会都已出现。因此，该学派认为机会是通过搜索而被识别的。奥利地学派同样认为机会客观存在，但与新古典经
6、济学不同，该学派认为市场并非均衡，而是始终处于从非均衡初始状态向均衡状态趋近和转变的过程。由于信息分配的不均衡，一部分人可以获取其他人无法得到的信息，从而觉察或发现特殊的机会，即使这些人没有系统地搜寻机会。行为认知学和演化经济学派则认为机会内生于创业者的行为，不能独立于创业者而存在。当机会发现过程开始时，创业者甚至可能不知道他要发现的是什么，他仅对可能的机会和发现或利用这些机会所需要的能力或资源有一个大致的信念。这些信念很少能够带来真正的机会。所以，创业者会进行探索性的行动，然后等待市场给予反应，再结合市场的反应调整期望，并重新行动，直至找到合适的机会。因此，从这个意义上讲，机会是逐渐浮现的。
7、尽管三种观点在理论逻辑上有不可调和的矛盾，但事实上它们在现实中常常同时存在。具体选择何种机会识别方式，取决于创业者的先验知识、社会网络、创业警觉性、机会本身、人力资本以及个人基本特质等。在所有可能影响创业机会识别选择的因素中，本文主要关注创业者的性格特质。 性格特质在上世纪 80 年代曾是创业学的一个重要命题。不同领域的学者曾试图按性格特质区分创业者和非创业者，但这最终被证明是十分困难甚至错误的。然而，不能据此完全否定特质研究。即使机会是当今创业研究的核心，它也不能脱离创业者而单独存在，真正有意义的创业研究是将个体与机会有机结合（individual-opportunity nexus） 。经
8、验研究也证明创业者性格特质与机会识别密切相关。例如，Keh 等的研究表明机会评价与创业者的风险感知显著相关；Hills 等发现 90%的研究表明创造性在创业者的机会识别过程中具有重要作用；Butler 等发现不确定性容忍能力与国际创业机会识别之间存在一定的相关关系；Galio 和Katz 的研究表明机会识别要求创业者具有警觉性和洞察商机的意识；Winslow 和 Solomon 发现创造性对创业机会的识别具有显著影响。因此，本文试图从个体与机会相结合的角度，考察创业者性格特质如何影响其机会识别方式的选择。 然而，选择何种特质组合作为研究对象是一大难点，因为自创业特质研究开始至今已出现多达 51
9、 种性格特质。本文根据这些特质出现的频率高低选择其中相对重要的维度作为主要解释变量。以“entrepreneurship”、 “new firm creation”、 “personality”等为关键词，本文在 JSTOR、EBSCOhost、Emerald、Sciencedirect、CNKI 等数据库对 1980-2010 年国内外有关特质研究的文章进行了全面检索。具体检索和筛选标准如下：（1）搜索范围仅限于 SSCI 和 CSSCI 所收录的期刊类文章，不考虑硕博论文或尚未发表的论文；（2）仅选取经验研究类的文章，即所有进入统计范围的文章必须有确定的样本数据；（3）剔除与创业行为不太相
10、关的特质，这些特质包括：乐观、独断、外向性、保守、尽责性、直率、严格苛刻、腼腆、创造力、规范导向、自立、顺从性等；（4）基于研究具体的人格特质的考虑，排除描述一般人格特征的大五人格，即外倾性、神经质、经验开放性、随和性和尽责性。根据以上筛选标准，本文最终获得 126 篇符合要求的文献，其中英文文献 94 篇，中文文献 32 篇。经统计，以下 7 种创业者特质出现频率相对较高：风险承担倾向（risk，taking propensity） 、创新导向（innovation propensity） 、成就动机（need for achievement） 、自我效能（self efficacy） 、控
11、制源（locusof control） 、模糊容忍能力（tolerance for ambiguity）和自主性（autonomy） 。由于本文的数据来源 PSED中没有涉及创业者风险承担倾向的问题，因此本文所研究的性格特质仅限于创新导向、成就动机、自我效能、控制源、模糊容忍能力和自主性。 根据以上分析，本文构建如下机会识别方式选择模型： Prj=1，2，3 机会识别=f（创新导向，成就动机，自我效能，控制源，模糊容忍能力，自主性，控制变量） 三、数据来源与变量选取 （一）研究样本的选择 本文选择美国创业动态跟踪调查（PSED）所收集的数据作为研究样本。PSED 是全球首个提供创业信息的国家数
12、据库，其调查的问题是经过创业领域的权威专家多次商讨和不断完善最终确定的，具有良好的信度和效度。其调查过程主要包括随机电话访谈；对符合筛选标准的创业者进行更为详细的电话和邮件调查；对创业者的创业结果进行跟踪调查等三个阶段。迄今为止，PSED 共进行了两次大规模的调查。PSED I 和PSED分别始于 1998 年和 2005 年，其样本容量分别为 830 和 1214。就理论基础和操作过程而言，两次调查没有本质区别，但在调查问题设计上存在一些差异。PSED总结了 PSED I 的经验，剔除或修改了一些不合理的问题，并根据全球商业环境的变化和实际研究的需要加入了一些新的问题。 （二）变量的测量 1
13、 被解释变量。本文的被解释变量为机会识别方式，即搜索、发现与浮现。PSED并没有直接测量机会识别方式的问题，但根据各种识别方式的特点，可选取 Wave A 问卷中的问项 A7“在创业时，是先有创业点子还是先做出创业决定？”来测量被解释变量。其中，回答项 A“创业点子在前” 、B“创业决定在前” 、C“两者同时”分别对应搜索、发现与浮现等三种机会识别方式。 2 解释变量。本文的解释变量为创业者性格特质，包括创新导向、成就动机、控制源、自我效能、模糊容忍能力与自主性。 常见的创新导向测量方法有 KAI 量表、ENT 量表、JPI 量表以及杜伦大学商学院 1988 年开发的用于测量一般性创业倾向的
14、GET 测验。其中，KAI 量表最为创业研究者所推崇，它由 Kirton 基于其调试创新理论（Adaption-Innovafion theory）发展而来。整个量表由 32 道题组成，采用 5 点 Likert 量表，得分范围为 32-160 分，分数越低调试倾向越高，分数越高则创新倾向越高。KAI 量表的平均分数是 96 分，96 分以上者为创新型认知风格，96 分以下者为调试型认知风格。参照 KAI 量表，本文从 PSEDWave A 问卷 F 部分选取 4 个问项来测量创业者的创新导向（见表 1） 。这些问项均采用 5 点 Liken 量表形式，1 为强烈同意，2 为同意，3 为中立，
15、4 为不同意，5 为强烈反对。创新导向的最终得分为所有问项的平均得分，分数越高，表明创业者的创新导向越弱。 成就动机的测量方法十分繁杂，有的与传统的主题统觉测验（TAT）相似；还有的是全面人格测量表的分量表，如爱德华个人需求倾向测验、杰克逊人格研究量表等；也有为了测量成就动机而专门设计的问卷，如林恩成就动机量表、梅瑞宾成就动机量表等。目前学术界最为流行的成就动机测量方法是由挪威心理学家 Gjesme 和 Nygar 于 1970 年编制的成就动机量表（Achievement Motivation Scale，AMS） ，该量表经多次修订，已渐趋完善。参照这一量表，本文从 PSEDWave A
16、问卷 w 部分选取6 个问项来测量创业者的成就动机（见表 1） 。这些问项均采用 5 点Likert 量表的形式，1 表示不重要，2 表示有一点重要，3 表示有些重要，4 表示很重要，5 表示非常重要。成就动机的最终得分为这 6 个问题得分的平均数。得分越高，表明受试者的成就需要越高。 Chen 等最早对创业自我效能感的维度进行了考察，并基于创业所需的核心技能用六个维度测量创业的自我效能感。De Noble 等基于与一般的管理技能具有很大差异的几个核心创业技能确定了六个创业自我效能感维度，并据此开发出测量创业效能感的量表。参照这些研究，本文从PESDWave A 问卷中 Y 部分选取 2 个问
17、项来测量创业者的自我效能（见表 1） 。这两个问题同样采用 5 点 Likert 量表，从 1 到 5 分别表示非常同意到非常不同意。自我效能的最终得分为所有问项得分的平均数，分数越高表明创业者的自我效能越低。 测量创业者控制源的量表主要包括 I-E 量表、IPC 量表、控制域量表和成人内/外控量表（A-dult Nowicki-Strickland Internal-External Control Scale，简称 ANSIE 量表） 。其中，ANSIE 量表形式最为简洁，涉及范围最广，且便于对测量结果进行进一步研究。本文借鉴 ANSIE 量表，从 PESDWave A 问卷中 Y 部分选
18、取 3 个问项来测量创业者的控制源（见表 1） 。与自我效能相同，控制源得分为所有问项的平均得分，分数越高，表明创业者的内控水平越低。 Budner 关于模糊容忍能力测量的研究具有开创性意义，其编制的 16个项目（一半是消极选项，一半是积极选项）自陈式问卷“模糊不容忍测试”是被引用和采纳最多的工具。本文根据 Bochner 对模糊容忍能力特征的分类，选取 PSEDWave A 问卷中 Y 部分的 2 个问项来对模糊容忍能力进行测量（见表 1） 。这里同样采用 5 点 Likert 量表，最终得分越高，模糊容忍能力越低。目有：“我喜欢能随我的意志来去自如” 、 “我喜欢遵从指示去做别人期待我做的
19、事” 、 “我喜欢遵从指示做我所该做的事” 、“我喜欢回避要我按照例行方法办事的场合” 、 “我喜欢独立决定我所要做的事” 、 “我喜欢很自如地做我想做的事” 、 “我喜欢照我的意思做我想做的事” 。借鉴 EPPS 量表，本文从 PESDWaveA 问卷中 w 部分选取 2 个问项来测量创业者的自主性（见表 1） 。自主性的最终得分为所有问项得分的平均数，分数越高表明创业者的自主性越高。 3 控制变量。根据 Ardichvili 等的机会识别模型，本文选取社会网络、先验知识、人口特征、机会本身等作为控制变量。对于这些变量的测量，本文主要参考 Reynolds 和 Curtin 的做法。限于篇幅
20、，本文在此不做详细说明。 （三）数据分析方法 本文采用 SPSS17 对数据进行统计分析。过程如下：首先，对 PSED的原始样本进行筛选。根据对因变量问项 A7 的回答，剔除选择大于3（大于 3 是指调查者选择了“不清楚”选项或者没有对本问项做出回答）的样本。其次，分别利用 Cronbachs alpha 系数检测方法和探索性因子分析（EFA）对主要解释变量进行信效度检验，以确保问卷的可靠性和有效性。最后，分别运用多项和二项 Logistic 回归方法进行统计分析。四、实证结果与讨论 （一）问卷的信度与效度检验 本文采用内部一致性方法，通过计算 Cronbachs alpha 系数检测问卷的信
21、度。检验结果如表 1 所示，成就动机和控制源的 alpha 系数都大于 0.7，说明这两个变量具有较好的内部一致性；创新导向、自我效能和自主性等三个变量的 alpha 系数均在 0.6 以上，根据通用参考标准，其内部一致性也是可接受的；只有模糊容忍能力的 alpha 系数较小，这与将 AY13 这一问项的结果反向计分有关（之所以将其反向计分，是因为它与 AYl2 的表述意思相反） 。 本研究采用探索性因子分析法（EFA）检验问卷的结构效度。首先，利用巴特利球体检验（Bartlettg Testof Sphericity）和 KMO 样本测度（Kaiser-Meyer-Olkin measure
22、 of sampling adequacy）检验各测量条目之间是否存在相关性，只有当条目间相关性较高时，才适合做因子分析。检验结果表明，KMO 值为 0.799，远大于参考值 0.5，说明适合做因子分析；巴特利球体检验的结果也表明无法拒绝原假设“本样本适合做因子分析” 。在此基础上，本文采用 EFA 提取公因子，萃取出特征根大于1 的公共因子，对于同一维度下存在的多个公共因子，采用方差最大旋转法进行正交旋转。本文共萃取出 6 个因子。其中，AW1、AW4、AW10、AW11、AW13 和 AW14 可由公共因子成就动机来解释；AF4、AF7、AF9 和 AF10 可由公共因子创新导向来解释；A
23、Y8、AY9 和 AY10可由公共因子控制源来解释；AY6 和 AY7 可由自我效能来解释；AY12 和AY13 可由公共因子模糊容忍能力来解释；AW2 和 AW5 可由公共因子自主性来解释。这与问卷的初始设计完全相符，说明本研究所用问卷具有较好的结构效度。 （二）参数估计与说明 本文的总样本数为 1214 个。根据对因变量问项 A7 的回答，剔除不合要求的样本数 15 个，剩下有效样本 1199 个。其中，回答“创业点子在前”的样本为 448 个，回答“创业决定在前”的样本为 159 个，回答“两者同时”的样本为 592 个，分别占有效样本的约37.4%、13.3%、49.4%。 本文采用多元 logit 回归方法对模型进行拟合，似然比检验的结果为 95.458，说明模型具有显著性意义，且模型的对数似然值为 2265，说
