地理商标量表开发研究,地理商标探索性研究的数据统计分析

地理商标量表开发研究

1、研究对象结合包装型消费品的特性，小编在农业及农特产品领域选择了普遍具有包装特性的茶饮，在加工型食品领域选择了调味品，在陶瓷领域选择了兼备日用和工艺两大特性的陶瓷，在民间品领域选择了风筝。上述4个产品类别，小编已经在第３章描述了一些颇具代表性的地理商标特性。抽选地理商标的原则：①调查地点设在山西省太原市，为了排除受访者的原产地地缘情节，暂不选择山西省的地理商标；②地理商标行政区划名称涵盖区、县、市、地区，最终选择的地理商标要囊括所有级别的行政区划；③在太原街头拦截访问５０名受访者，在茶饮、调味品、陶瓷和风筝4个产品类别中明确消费者最熟悉的地理商标名称。在茶饮领域，小编明确了西湖龙井茶（产于浙江杭州西湖区）、洞庭碧螺春（产于江苏吴县太湖的洞庭山）、武夷岩茶（产于闽北武夷山）、福建铁观音（产于闽南安溪县）、屯溪绿茶（产于安徽屯溪）、祁门红茶（产于安徽祁门县）、信阳毛尖（产于河南信阳车云山）、君山银针（产于湖南岳阳君山）、云南普洱茶（产于云南普洱）、滇红茶（云南红茶的总称）十大名茶，由受访者指出他最熟悉的1个地理商标。在调味品领域，小编明确了涪陵榨菜、镇江香醋、郫县豆瓣、阆中保宁醋、夹江豆腐乳、垫江酱瓜、永川豆豉、北京豆豉、桂林腐乳、独山盐酸菜、绍兴腐乳、南康辣椒酱１２个地理商标，由受访者指出他最熟悉的1个地理商标。在陶瓷领域，小编明确了景德镇瓷器、佛山陶瓷、唐山陶瓷、宜兴陶瓷、淄博陶瓷、荣昌工艺陶、醴陵釉下彩瓷、北京景泰蓝、龙泉青瓷、西安景泰蓝１０个地理商标，由受访者指出他最熟悉的1个地理商标。在风筝领域，小编明确了潍坊风筝、南通风筝、天津风筝、北京风筝、四川风筝５个地理商标，由受访者指出他最熟悉的1个地理商标。汇总这５０名受访者拦截访问的结果，再结合地理名称不是同一级别的行政区划的原则，最终在4个产品类别中分别选出了大家最熟悉的地理商标，即西湖龙井茶、郫县豆瓣、景德镇瓷器和潍坊风筝作为小编的研究对象。其次，对这4个地理商标采取随机抽样的原则，明确西湖龙井茶作为量表开发研究的对象，郫县豆瓣、景德镇瓷器和潍坊风筝3个地理商标作为测量效度研究的对象。2、调研的程序首先，调研负责人培训了３０名大学生，将其作为访问员。其次，根据人口流动数量和社区的繁华程度，把太原市城区区划为１５个街区，３０名访问员以两人一组的形式分配到这１５个街区。再次，以随机拦截的方式明确受访对象。在具体接受访问以前，访问员必须对其进行甄别，把习惯于饮茶并熟悉西湖龙井茶的人明确为最终的受访对象。最后，规定每组的有效浏览量为１０人，两个成员相互配合，1个做访问员，另1个做协助工作，规定在周末一天的时间内完成，每份问卷给访问员２０元的报酬。通过剔除填写有误和遗漏问项的问卷，最终收回有效问卷１３５份，有效问卷回收率为１３５／１５０＝９０％。这些有效问卷的人文统计特征见表５．１。由于量表开发研究问卷仅有１０个题项，对这１０个题项进行因子分析，必须的最小样本量为５０个（１０×５＝５０），收回的有效问卷数量满足这个占比标准。同时，也满足１００个的理论要求。问卷采取语义差异７级评分量表的表达方式。3、探索性因子分析遵循标准的测量开发程序（Ｃｈｕｒｃｈｉｌｌ，１９７９），小编使用主成分分析法（ｐｒｏｍａｘｒｏｔａｔｉｏｎ）对地理商标形象关联的９个题项进行了一系列的探索性因子分析。在特征值（ｅｉｇｅｎｖａｌｕｅｓ）大于１时，最初的因子分析产生两个因子，这两个因子结构解释了数据总方差的５３．８９％。在因子分析的过程中，小编按照共同度（ｃｏｍｍｕｎａｌｉｔｉｅｓ）低于０．５０和因子负荷（ｆａｃｔｏｒｌｏａｄｉｎｇ）低于０．５０的原则（Ｂｅａｒｄｅｎｅｔａｌ．，２００１；Ｈａｉｒｅｔａｌ．，１９９８），删除了“产品适应外地市场的能力”“文化内涵的丰富性”“视觉识别的独特性”３个题项。对最后保留的６个题项进行因子分析，产生了两个因子，解释了总方差的６５．８３％。由此可见，删除冗余的题项之后，因子模型解释的方差占比明显改善，６个题项反映的因子结构解释方差的占比大于６０％的界值，比最初的结构提高了１１．９４％。这两个因子结构干净而容易解释，每个题项在归属的因子上的负荷大于０．６６，跨负荷小于０．２３（界值为０．４０）（Ｐａｒａｓｕｒａｍａｎｅｔａｌ．，１９８８；Ｓｍｉｔｈｅｔａｌ．，２００７）。表５．２汇集了因子分析的结果，分别命名为共享性和发展性。出现的这两个维度与小编假定的概念化范围是一致的，进1步为结构效度提供了支撑（Ｐｅｔｅｒ，１９８１）。最终的地理商标形象的测量量表见附录２中关于西湖龙井茶的形象测项。4、因子的可靠性第1个因子共享性的Ｃｒｏｎｂａｃｈ系数为０．７６，第2个因子发展性的Ｃｒｏｎｂａｃｈ系数为０．７１，也就是说，所有因子的内部一致性系数（Ｃｒｏｎｂａｃｈα）均大于０．６０的界值，预示着每个因子具有充分的可靠性。同时，每个因子的ｉｔｅｒｉｔｅｍ和ｉｔｅｍ－ｔｏ－ｔｏｔａｌ相关系数均超过推荐值（ｉｔｅｒｉｔｅｍ＝０．３０，ｉｔｅｍ－ｔｏ－ｔｏｔａｌｃｏｒｒｅｌａｔｉｏｎ＝０．５０）（Ｈａｉｒｅｔａｌ．，１９９８），代表着没有差的题项归属到任何因子上。上述结果表明６个题项充分代表了这两个因子，每个因子都具有充分的可靠性。5、因子的区别效度将归属于共享性这个因子下的３个题项加总并求平均值，把这个平均值作为共享性因子得分（ｆａｃｔｏｒ－ｂａｓｅｄｓｃｏｒｅ）形成新的变量，即共享性。同理，采用同样的方法建立新的变量，即发展性。计算共享性和发展性两个变量之间的Ｐｅａｒｓｏｎ相关系数为０．３３（ｐ＝０．０００）。这个相关系数代表着两个变量呈现弱相关，暗示着它们之间存在较高的区别效度（ｄｉｓｃｒｉｍｉｎａｎｔｖａｌｉｄｉｔｙ）。

地理商标探索性研究的数据统计分析

1、数据的描述性统计分析小编运用ＳＰＳＳ１５．０统计软件，计算了４个潜变量对应的测项组合的平均值和标准差（Ｓｔｄ．Ｄｅｖｉａｔｉｏｎ），计算结果见表６．５。此外，针对地理商标形象和公司商标感知趋同两个变量，我们做了均值的区间估计。在９５％的置信区间，地理商标形象的均值为５．５０，标准误（Ｓｔｄ．ＥｒｒｏｒｏｆＭｅａｎ）为０．０５７，上限值为５．６１，下限值为５．３９；公司商标感知趋同的均值为５．５２，标准误为０．０８１，上限值为５．６８，下限值为５．３６。说明受访者对地理商标都有较高的评价，并普遍认为在共享地理商标情形下公司商标认知呈趋同化特征。2、构念测量的可靠性分析小编使用ＬＩＳＲＥＬ８．８０版软件做验证性因子分析（测量模型分析）和结构方程模型分析。结构方程模型融合了因子分析和路径分析两种统计技术，相比传统多元回归技术而言，它的优势在于既能估计潜变量的结构关系，也能有效控制测量误差的影响。测量模型反映的是外显变量与潜变量之间的关系，结构方程模型反映的是验证模型中各个潜变量之间的关系。在检验验证模型以前，各个构念测量（ｃｏｎｓｔｒｕｃｔｍｅａｓｕｒｅｍｅｎｔ）的可靠性和有效性必须得到保证。构念仅有被恰当的外显指标充分代表，才能确保构念测量的可靠性和有效性。为了提高模型分析中各个参数的稳定性，减少待估计参数，提高模型的拟合指标（ＮａｓｓｅｒａｎｄＷｉｓｅｎｂａｋｅｒ，２００３），小编采用测项组合的方法处理数据。测项组合（ｉｔｅｍｐａｒｃｅｌｉｎｇ）是对同1个构念测量中的两个或多于两个的测项进行加总或平均以形成集合性指标（ａｇｇｒｅｇａｔｅ－ｌｅｖｅｌｉｎｄｉｃａｔｏｒ）的过程（Ｌｉｔｔｌｅｅｔａｌ．，２００２）。使用测项组合，能够矫正非正态数据，能够使非正态数据以及分类变量数据正态化和连续化，以符合结构方程对模型估计常用的最大似然法和一般最小平方法的要求（Ｗｅｓｔｅｔａｌ．，１９９５）。测项组合相比单个测项而言，可改善测量的可靠性，提高指标之间的关联性和共同度，降低了减少指标数后的研究犯α错误的可能性，避免了单个指标之间可能存在的多重共线性、过多的误差相关以及指标交叉负荷的现象（Ｃｏｈｅｎｅｔａｌ．，１９９０；Ｌｉｔｔｌｅｅｔａｌ．，２００２；Ｒｕｓｈｔｏｎｅｔａｌ．，１９８３）。测项组合也存在相应的缺陷，如破坏了信息的完整性；组合不恰当会产生不能正确反映潜变量的变异；使用测项组合尽管提高了模型拟合效果，但却减弱了识别错误设定模型的能力，增加了犯β错误的概率（ＥｙｓｅｎｃｋａｎｄＥｙｓｅｎｃｋ，１９６９；卞冉等，２００７）。为了回避测项组合的缺陷，小编采用内容导向法（ｃｏｎｔｅｎｔ－ｏｒｉｅｎｔｅｄ）进行测项组合。这种组合建立在已有理论或小编对测项内容推理判断的基础上。具体而言，是按照测项内容之间的相似性进行合并。在实证研究中，学术界一般采用内部一致性系数（Ｃｒｏｎｂａｃｈα）检验构念测量的可靠性。我们使用ＳＰＳＳ１５．０统计软件，计算各个构念测量与测项组合的内部一致性系数，计算结果见表６．６。还有一种判别量表可靠性的指标是潜变量的平均提炼方差（ＡｖｅｒａｇｅＶａｒｉａｎｃｅＥｘｔｒａｃｔｅｄ，ＡＶＥ），其值大于０．５０，表明计量指标是可靠的（ＢａｇｏｚｚｉａｎｄＹｉ，１９８８；Ｈａｉｒｅｔａｌ．，１９９８）。关于Ｃｒｏｎｂａｃｈα应该有多大才能表明量表是可靠的，Ｈａｉｒｅｔａｌ．（１９９８）指出，一般情况下，Ｃｒｏｎｂａｃｈα大于０．７０表明量表是可靠的。当计量尺度的项目数小于６个时，Ｃｒｏｎｂａｃｈα大于０．６０表明量表是可靠的。在探索性研究中，Ｃｒｏｎｂａｃｈα能够小于０．７０，但应大于０．５０。从表６．６中所显示的Ｃｒｏｎｂａｃｈα能够看出，均在０．５８～０．８５之间，表明各个计量尺度都是比较可靠的。此外，在表６．７中对角线上的数值为各潜变量的平均提炼方差（ＡＶＥ），均大于０．５０，说明概念模型中各个计量尺度是可靠的。还有一种测量量表可靠性的指标是潜变量的复合信度。潜变量的复合信度（ｃｏｍｐｏｓｉｔｅｒｅｌｉａｂｉｌｉｔｙ）以个别潜变量为单位，其值相当于该潜变量所属观测指标的Ｃｒｏｎｂａｃｈ系数。Ｎｕｎｎａｌｌｙ（１９７８）的推荐值为大于０．７０。在表６．７中各潜变量的复合信度均大于界值０．７０，说明潜变量有较高的可靠性。潜变量的复合信度计算公式如下：ＣＲ＝［Ｓｕｍ（ｌｏａｄｉｎｇｓ）］２／｛［Ｓｕｍ（ｌｏａｄｉｎｇｓ）］２＋Ｓｕｍ（ｒｅｓｉｄｕａｌｖａｒｉａｎｃｅ）｝式中，ＣＲ为潜变量的复合信度，ｌｏａｄｉｎｇｓ为标准化负荷量，ｒｅｓｉｄｕａｌｖａｒｉａｎｃｅ为观察变量的测量误差。