组织规模（firm size）：组织规模大小反映了其冗余资源（redundant resource）的多少，通常规模大的公司的冗余资源更为丰富，可以保证技术创新的资源需求，而小公司的冗余资源则相对较为匮乏（Lubatkin et al， 2006）。因此，组织规模可能会影响到技术创新能力和组织绩效。遵循Bacharach et al（2002）的方法，我们也以公司内的员工人数来代表公司规模，1代表员工人数介于100～200人，2代表员工人数介于201～500人，3代表员工人数介于501～1000人，4代表员工人数介于1001～2000人，5代表员工人数大于2000人。
所处行业（industry sector）：由于技术创新可能会在不同的行业之间具有显著的差异性（Lane et al， 1998），我们也限定了行业类别。按照我国《国民经济行业分类》（GB/T4754-2002）标准，并参考国际行业分类代码（ISIC/Rev.3）和中国证券监督委员会（2005）所发布的上市公司行业分类和代码，最终确定了制造业（门类代码：C）、电子信息技术业（即IT业，门类代码：G）和金融业（门类代码：J）三个大的行业门类。制造业中我们包括了生物医药制造业（次类代码：C5）、机械、设备、仪表制造业（次类代码：C7）；电子信息技术行业包括了电子计算机及相关设备制造业（次类代码：G10）、电子元器件制造业（次类代码：G20）、软件业（次类代码：G60）；金融业主要包括银行业（次类代码：J68），我们采用利克特6点量表来施测，1代表机械、设备、仪表制造业，2代表生物医药制造业，3代表电子计算机及相关设备制造业，4代表电子元器件制造业，5代表软件业，6代表金融业。由于行业类别属于类别变量，我们在进行相关分析和回归分析时需要将其转化为虚拟变量（dummy），我们首先按照行业分类标准将上述六个次级门类合并为制造业、IT业和金融业三个大的行业门类，然后将制造业编码为1，其他行业编码为0。
所有制形式（ownership）：不同的所有制形式在一定程度上反映了不同的组织文化，由此可能带来员工行为和领导者行为的差异性，尤其在中国的企业中，国有企业的CEO在战略决策过程中的决策标准（如技术创新的引入和研发决策）不一定只关注经济绩效，还可能要考虑相当一部分社会责任问题和上级主管部门的需求，而民营企业则更多关注技术创新的经济效益。并且Lubatkin et al（2006）的实证结果也表明，所有制形式与组织绩效存在显著的相关关系。基于以上考虑，我们也需要将所有制形式作为控制变量，采用利克特5点量表来测评，1代表国有独资企业，2代表国有控股企业，3代表中外合资企业（外资占主导），4代表外资企业（纯外资企业），5代表民营企业。由于所有制形式也属于类别变量，我们在进行相关和回归分析时需要将其转化为虚拟变量来处理。我们首先按照所有制标准将上述国有独资企业和国有控股企业合并为国有企业，中外合资企业和纯外资企业合并为外资企业，以及民营企业。在进行编码时，我们将国有企业编码为1，其他所有制形式的企业编码为0。
研发强度（R & D intensity）：技术创新离不开企业研发投入的资源支持，之前在探索式技术创新和利用式技术创新的研究中学者们也将研发投入作为重要的影响变量控制起来（He et al， 2004），研发强度通常用研发投入额在销售额中的比重来衡量，在本研究中，我们让技术副总针对其所在公司过去三年中的研发投入相对于销售额的比例进行评价，1代表研发强度比例低于1%，2代表其比例介于1%～3%，3代表其比例介于4%～6%，4代表其比例介于7%～9%，5代表其比例大于10%，比例越大说明公司的研发强度越高。
其二，CEO个体层面的控制变量：
CEO年龄（age）：Hambrick（1984）的高层梯队理论指出，高层团队成员的人口统计变量会对组织绩效产生重要的影响，在之前关于CEO领导行为与组织绩效的实证研究中，学者们也将这些人口统计变量控制起来。根据高层梯队理论，CEO的年龄越小越倾向于采取高风险的发展战略，以希望能够获得更高的利润增长率和更快的发展速度。我们采用5点量表进行测量，1代表CEO年龄在35岁以下，2代表其年龄介于36～40岁之间，3代表其年龄介于41～45岁之间，4代表其年龄介于46～50岁之间，5代表其年龄50岁以上。
CEO性别（gender）：性别作为重要的人口统计变量，在之前关于CEO的领导行为研究中也作为控制变量来分析，由于该变量属于类别变量，我们在具体分析时需要将其转化为虚拟变量，用1代表男性，0代表女性。
CEO教育水平（education）：教育水平在一定程度上反映了高层领导者的人力资本价值，也反映了其处理复杂问题的认知能力和专业技巧，西方先前的理论和实证研究表明，CEO的教育水平与技术创新和战略变革存在显著的正相关性（Kimberly et al， 1976；Bantel et al，1989），因为受教育程度高的CEO在心态上更容易接受新事务，能够洞察组织变革的新需求，可以快速响应外部环境对技术创新的期望，从而可以促进组织的变革和创新速度。我们采用5点量表进行测量，1代表高中及以下，2代表大专，3代表本科，4代表硕士（包括MBA，EMBA和在职研究生），5代表博士及以上。需要说明的是，本文中的教育水平是一般的学历教育，而不是高层梯队理论所提到的管理教育。
CEO任期（tenue）：高层梯队理论的研究成果显示，CEO的任期与绩效之间存在复杂的影响关系，虽然其任期时间与组织绩效之间通常具有正相关关系，但是过长的任期反而可能不利于组织绩效的提升（Walters et al ，2007）。我们也采用5点量表来评价CEO任职时间的长短，1代表1～3年，2代表4～6年，3代表7～9年，4代表10～12年，5代表12年以上。
其三，高层管理团队层面的控制变量：
高层团队规模（TMT size）：高层团队规模的大小会影响到团队成员认知的多样性、社会整合过程和决策过程的一致性程度（Finkelstein et al， 1996）。团队规模的扩大因增加了不同背景的成员而带来更多不同的、新颖的观点，从而可能获得更多的解决方案，以提升高层管理团队的决策质量。我们以CEO所在的高层团队人数来测评高层团队规模，1代表团队人数介于1～3人，2代表团队人数介于4～6人，3代表团队人数介于7～9人，4代表团队人数介于10～12人，5代表团队人数多于12人。
需要说明的是，虽然CEO的人口统计特征和团队规模属于个体和团队层面的变量，但是区别于一般的员工和中层领导者，高层领导者的行为将对整个组织绩效产生影响，因此，在组织理论和战略管理研究中通常将CEO的人口统计特征和TMT特征看作是组织层面的变量进行处理，而不会从理论上产生跨层次的方法错误。
6.1.3探索性因子分析
本文中所涉及的变量有些在国内还没有被使用过，有些变量在国际上也只是处于刚起步阶段，为了保证将来大样本数据收集过程中变量的信度和效度，我们首先用小样本预试的方式来对变量进行初步检验，以保证未来研究中变量的信度和效度。本文以北京和天津的EMBA作为被试对象，这些学员大部分在企业中担任高层领导职务。为了保证能够准确识别被试对象的具体身份，我们在问卷的背景资料中设计了选项，请被试对象填写其在企业内的职位，分别设有一般员工、基层领导者、中层领导者、高层领导者4个选项。在发放问卷之前的访谈中进一步确信被试对象对自己在企业中的职位都比较清晰，从而避免了被试对象对自己的职位和级别含糊不清的状况。问卷采用现场发放和回收的方式，共发放问卷200份，删除不符合高层领导者职位要求的68份问卷和明显不认真做答的9份问卷，最终有效问卷为123份。
由于本文所采用的变量都没有在中国情境下进行过验证，我们采用探索性因子分析以检测变量的效度。效度（validity）是指测量工具能够准确测出所需测量的变量内涵的程度。效度分析最理想的方法是利用因子分析来探析量表的结构效度，而因子分析的主要功能是从量表全部题项中抽取公因子，各公因子分别与某一群特定变量高度关联，所抽取的公因子就代表了量表的基本结构。因此，通过因子分析可以判断问卷是否能够测量出研究者设计问卷时假设的某种结构。在进行探索性因子分析之前，先做Bartlett氏球体检验以判断各变量所组成的相关矩阵，如果该球体检验达到显著水平则说明各变量的相关矩阵中有公因子存在；然后再进行KMO（Kaiser-Meyer-Olkin）检验，KMO是抽样适度测量，是用于比较观测相关系数值和偏相关系数值的一个指标（吴明隆，2001），根据Kaiser（1974）的观点，如果KMO值小于0.50则较不适宜进行因子分析。本文采用主轴法中的主成分分析法抽取变量题项的公共因子，抽取时选择特征值大于1的主成分，并以最大变异量（varimax）旋转方法来计算各题项的因子载荷，如果因子载荷的值低于0.5则删去该题项，保留载荷值大于0.5的题项。
信度（reliability）是指采用同一方法对同一对象进行测量时问卷调查结果的稳定性和一致性程度，也就是说某量表能否稳定地测量所要施测的题项，信度值多以相关系数表示，测量信度的方法一般包括重测信度法（re-test）、复本法（alternative-form）、折半法（spilthalves）和内部一致性法（internal consistency）4种方法（Cooper et al，1998），通常在管理学研究中应用最多的是内部一致性法。本文采用Cronbach’s α系数来判断各变量题项间的内部一致性，α系数值越大则表示该变量的信度水平越高。一般认为，Cronbach’s α系数值要大于0.70才能证明变量是具有良好的信度标准（Nunnally，1978）。
（1）变革型与交易型领导行为、中庸思维、组织绩效的探索性因子分析。
在变革型领导行为的题项检测中，Bartlett氏球体检验的卡方值为548.14（自由度为66，p<0.001），达到显著水平，代表母群体的相关矩阵间有共同的因素存在，表示适合进行因子分析。进而进行KMO检验后发现KMO为0.74，大于0.70，表示适合进行因子分析。采用主成分分析法来抽取变量题项的公共因子，抽取时选择特征值大于1的主成分，并以最大变异量旋转来计算各题项的因子载荷，发现12个题项可以明显地归为4个因子 需要说明的是，本文并没有在表中标识出4个因子每个因子下的所有载荷系数，而只标出了经过因子分析后所形成的4个因子所对应的载荷系数，即文中黑体数字部分，这样可以更清晰的看出每个题项所对应的载荷系数。另外，虽然本文将领导行为、中庸思维与组织绩效的探索性因子分析结果放在一张表格中，是因为考虑到他们都是多维度变量，阅读起来更为方便，但是在进行探索性分析时则是对三个变量分别进行因子分析的。，每个因子中的题项的载荷值都大于0.5。同时，变革型领导行为的四个维度，即领导魅力、愿景激励、智力启发和体恤关怀的Cronbach’s α系数分别是0.77、0.80、0.81、0.80，变革型领导行为总的Cronbach’s α系数是0.72，这表明该变量也具有良好的信度和效度水平。交易型领导行为变量的Bartlett氏球体检验中发现其卡方值为202.92（自由度为15，p<0.001），达到显著水平，KMO的检测结果为0.65，大于0.60，表示适合进行因子分析。采用主成分分析法并以最大变异量旋转出各题项的两个公共因子载荷值都大于0.5。探索性因子分析结果发现交易型领导行为的6个题项可以明显地分为2个因子，表示该变量具有良好的结构效度。权变奖励和例外管理两个维度的Cronbach’s α系数分别是0.78、0.72，交易型领导行为总的Cronbach’s α系数是0.70，这表明该变量具有较好的信度。
中庸思维的13个题项进行探索性因子分析后显示，Bartlett氏球体检验的卡方值为684.73（自由度为78，p<0.001），达到显著水平，代表母群体的相关矩阵间有共同的因素存在，KMO检测的结果为0.82，大于0.80，表示适合进行因子分析。但是在第一轮因子旋转后发现该量表的第5个题项存在交叉载荷（cross-loading）的现象，我们试着删除第5个题项后再次进行因子旋转来分析剩余题项的归类状况。删除了第5个题项后再次进行因子分析，发现中庸思维的Bartlett氏球体检验的卡方值为591.57（自由度为66，p<0.001），达到显著水平，KMO为0.82，大于0.80，表示适合进行因子分析，探索性因子分析后各个题项的因子载荷值都大于0.5，并且中庸思维可以明显地区分为3个因子，表示该变量具有良好的结构效度，最终中庸思维由12个题项构成。多方思考、整合性与和谐性3个维度的Cronbach’s α系数分别是0.75、0.79、0.84，中庸思维变量总的Cronbach’s α系数是0.87，这表明中庸思维变量具有良好的信度。
最后对组织绩效进行探索性因子分析后发现，Bartlett氏球体检验的结果显示卡方值为333.00（自由度为21，p<0.001），达到显著水平，KMO的检验结果为0.78，大于0.70，表示适合进行因子分析，探索性因子分析后所有题项可以明显地分为2个因子，每个因子的载荷系数都大于0.5，表明该变量具有较好的效度。Cronbach’s α系数是0.83，也表明该变量具有较好的信度。
