括號中數值為P值；VIF為所有三個模型中該變量在回歸過程取得的最大VIF值。
根據統計信息，三個回歸模型中所有變量的VIF取值都接近1，表明不存在多重共線性問題。模型1以集群企業競爭優勢為因變量，企業知識基礎、集群知識分布及其交互項為解釋變量進行了回歸。由回歸結果可以發現，集群企業知識基礎對其競爭優勢仍然保持正向的影響（β＝0.290，P＝0.004），而交互項“知識基礎×知識分布”的係數顯著為負（β＝-0.175，P＝0.006），這意味著集群知識分布對集群企業知識基礎與競爭優勢之間的關係起反向調節作用；模型2的分析結果與表5.11中模型4相同，即集群知識分布對集群企業知識基礎與學習能力的關係發揮反向調節作用（β＝-0.0807，P＝0.078）；模型3則進一步將集群企業學習能力加入到模型1中，由回歸分析結果可以發現，此時集群企業學習能力仍然對企業知識基礎和集群知識分布發揮顯著的中介效應（β＝0.422，P＝0.001），但企業知識基礎的作用不再顯著了（P＝0.103）。
由此可知，集群知識分布是一個有中介的調節變量，它的調節效應一方麵可以通過以學習能力為中介影響企業的競爭優勢，另一方也以直接效應的方式調節知識基礎與競爭優勢的關係。對集群知識分布的調節效應和學習能力中介效應的詳細分解可見。
3.環境不確定性對集群企業知識基礎與學習能力關係調節效應的回歸分析結果
本研究以集群企業知識基礎為自變量、學習能力為因變量，采用層次回歸方法分析了技術環境不確定性和市場環境不確定性對知識基礎與學習能力關係的調節效應。根據統計信息，所有變量的VIF取值都接近1，表明不存在多重共線性問題。
為了驗證技術不確定性和市場不確定性的調節效應，筆者同樣采用溫忠麟等（2005）和Schwab（2005）推薦的調節效應檢驗方法，將集群企業知識基礎、技術不確定性和環境不確定性這三個解釋變量進行中心化處理，並計算前者和後者的交互項代入回歸模型3、模型5和模型6。由表5.14中回歸模型2和模型3的統計信息可知，市場不確定性對於集群企業的學習能力有著重要的影響。從企業學習能力變異的被解釋程度來看，在模型1中僅考慮了集群企業知識基礎的作用，此時回歸模型的R2為0.239；當把市場不確定性加入回歸模型2後，R2達到0.266，相對模型1增加了11.3%；而把集群企業知識基礎與市場不確定性的交互項加入模型3後，R2達到0.396，相對模型2增加了65.7%。更重要的是，從模型3和模型6的回歸係數來看，集群企業知識基礎與市場不確定性的交互項係數都顯著為正（β＝0.218，P＝0.000和β＝0.207，P＝0.000），這意味著市場不確定性對於集群企業知識基礎與學習能力的關係起正向調節作用。因此，研究假設4a得到支持。
相比市場不確定性，技術不確定性對集群學習能力的影響作用則要小得多。進一步考察回歸模型1、模型4和模型5對學習能力變異的被解釋程度就可以發現這一點。在模型1基礎上加入技術不確定性後的模型4的為0.241，相對模型1僅增加了0.8%；而進一步加入集群企業知識基礎與技術不確定性的交互項的模型5的為0.272，相對模型2僅增加了13.8%。綜合考慮技術不確定性和市場不確定性的模型6的為0.398，僅比單獨考慮市場不確定性的模型3增加了0.5%。對模型2、模型5和模型6回歸係數的分析也反映了相同的信息。雖然知識基礎與技術不確定性的交互項在模型5中達到了顯著的水平（β＝-0.107，P＝0.024），但在加入市場不確定性的模型6中則迅速變得不顯著了（β＝-0.0317，P＝0.495）。綜合學習能力變異解釋程度和各模型回歸係數的檢驗結果，筆者認為技術不確定性對集群企業知識基礎與學習能力的調節效應並不顯著。因此，研究假設4b沒有得到支持。