在以数字创新为核心的第四次工业革命浪潮中,数据已成为产业和企业发展的重要基本要素[1],越来越多的企业认识到大数据在经营管理中的潜在价值。目前,企业群体紧抓大数据投资机遇,挖掘大数据商业价值,构筑竞争优势[2]。然而,大数据投资真的有效吗?Gartner公司早在2016年的调查中发现,计划投资大数据的企业机构数量逐年增长,但大多停留在试水阶段,难以创造可观的投资回报。他们认为,大数据投资成败取决于企业能否围绕业务流程、技术人员、数据基础设施进行整体战略思考与布局。学术界提出从大数据中获益的局限性质疑,学者们认为,获取好的数据并不意味着能够制定更优的决策,如果组织内部缺乏有效管理支持同样会导致数据价值失效[3]。另有研究表明,对企业数据驱动洞察力产生实质性影响的并不是数据容量[4],仅凭大数据投资难以促进创新[5]。大数据生产力悖论成为亟待解决的难题。对此有研究表明,培育优于竞争对手、难以模仿的大数据能力,充分发挥能力效应,才是利用大数据创造价值的关键[6]。
当前,大数据能力研究尚处于起步阶段,是新兴研究领域,学者们纷纷尝试探索其对企业创新的影响[7]。总体来看,学术界就大数据能力对企业创新具有积极影响的观点已基本达成共识[4,7,8],主流研究聚焦于探究大数据能力对企业创新的直接影响及中介效应,而内外部情境因素研究有待深入:第一,大数据能力领域的主流研究聚焦于资源基础理论,从要素—结构—功能视角对其进行解构[1,2],仅将该能力视作一种资源,尚未重视可能导致企业形成对资源体系、资源获取途径惯性和过分依赖性的问题[9,10]。同时,针对基于战略决策层面的大数据能力构筑问题,现有文献尚未给予充分重视[8]。因此,基于动态能力理论对大数据实践在能力层面进行全面概念性解读,有待进一步探讨。第二,大数据能力转化为企业创新绩效产出,既要融入组织战略,也要在组织架构和流程方面与组织情境相契合[11],但现有研究并未详细剖析内部情境特征对大数据能力与创新绩效间关系的影响。IT-业务融合概念的提出,进一步引导管理者思考如何通过信息技术与企业基础设施、业务流程以及战略的有效结合,为组织带来战略性商业价值以及运营层面的收益[12]。数据赋能理论认为,数据赋能企业创新发展不仅取决于能力构建,也有赖于基于技术优势的融合机制[8,13,14]。因此,IT-业务融合作为内部情境特征在大数据应用中发挥何种调节效应具有探讨价值[15]。第三,已有文献基于进化适应性观点,提出大数据能力在高度不确定性条件下可能更有价值,有助于组织在不断变化的环境中重新定位自己[7]。既有研究将这种不确定性环境归结为以技术高速迭代、需求剧烈变化和材料供应剧烈波动为主要特征的环境动态性,以及以行业变化、监管压力和对手竞争为特征的环境竞争性,即双元环境[16,17],强调二者是企业运营的重要驱动力。换言之,组织绩效不仅是(内部)能力的结果呈现,也是(内部)能力与(外部)业务环境匹配的结果呈现[18]。现有文献大多仅考虑了双元环境的正向、负向单一效应[16,19,20],而环境不可预测性能够为组织开发和探索大数据能力提供更多市场机会,同时带来更多风险[21,22],因而可能存在促进和抑制的双重效应。换言之,环境动态性和环境竞争性在企业大数据能力对创新绩效作用机制中的边界效用可能不是线性的。
基于上述分析,为弥合现有研究的知识鸿沟,本文围绕如下问题展开探讨:大数据能力与创新绩效之间具有怎样的关系?IT-业务融合与双元环境对上述关系具有怎样的影响?上述问题的答案有益于引导企业培育与组织情景高度匹配的大数据能力,进而提升创新绩效产出。为此,本研究构建并实证检验大数据能力对创新绩效的影响理论模型,并引入情境变量IT-业务融合和双元环境,探讨二者在上述作用中的权变效应,可为组织成功应用大数据,实现数字化转型提供有益的借鉴。
大数据能力是指企业所具备的识别所需资源,并收集、存储和分析大量类型各异、高速流动的数据,用以支持企业实现战略和运营目标的能力[8]。尽管主流研究基于资源基础理论提出大数据分析能力[9,14]、大数据管理能力[23]等相似概念,从要素—结构—功能视角对大数据能力进行解构,发现该能力或由有形资源、无形资源和人力资源要素构成[9],或由技术技能、管理能力和人才技能构成[14],但仍存在以下两方面的不足:第一,基于资源基础理论视角的研究将该能力视为一种资源,并未明确阐释可能导致企业形成对资源体系、资源获取途径惯性和过分依赖性的问题[9,10];第二,在解释企业大数据能力有限效益问题方面,主流研究强调技术、人才、基础设施等因素,并未明晰战略决策层面大数据能力构建问题[8]。随着研究不断深入,有学者提出基于动态能力理论建构大数据能力,有助于厘清企业通过获取并存储大数据资源,利用大数据技术和基础设施进行数据挖掘并制定数据驱动战略决策等一系列大数据实践在能力层面的系统性逻辑[8,24]。与基于资源基础理论界定的大数据管理能力、大数据分析能力不同,它不仅体现了能力动态发展特性,而且反映了能力要素构成以及与组织其它资源、能力的协调/协同作用。因此,本研究借鉴Lin&Kunnathur[8]对大数据能力概念的界定,将其定义为企业所具备的识别所需资源,并收集、存储和分析大量类型各异、高速流动的数据,用以支持企业实现战略和运营目标的能力。
Gupta&George[9]的研究指出,大数据资源获取和相关能力构建是企业创新的潜在价值点,关乎绩效表现。通过大数据赋能企业创新发展不仅体现在获取数据的连接能力以及将数据数字化处理并转化为价值信息的分析能力层面,更反映在低人为干预条件下感知和捕获信息进行决策的智能能力层面[13,25]。这一影响机制的基本逻辑为:企业通过连接机制建立数据获取渠道,运用分析模型将海量数据转化为有价值的信息和知识,通过创建多元化智能应用场景开展智能认知、智能管理、智能决策,推动企业创新活动高效、有序地开展,实现数据资源、智力资源、财务资源等各类型资源高度整合与高效利用,从而提升创新绩效。
(1)从连接机制角度,大数据能力构建意味着企业需要通过与数据平台、合作企业以及企业内部的人、设备、车间等建立连接机制,进而实现数据流动自动化,为企业开展数据收集、分析与应用建立渠道。例如,Ferraris等[3]研究指出,具有高水平大数据能力的企业能够充分利用跨越多个分析平台的软件应用程序和硬件设备,将分散在不同组织信息系统中结构上不相连的海量数据进行传输和分享,从而掌握大数据资源。相反,当企业大数据能力较弱时,则需耗费较多的时间和较高的成本获取大量且分散的数据资源,导致企业创新效率降低[6]。
(2)从分析模型角度,大数据能力培育,使企业掌握将结构化数据和非结构化数据等海量数据通过编码、运算、转化为有价值信息数据的分析技术与方法工具,进而将价值信息转化为可用知识[26],从而推动企业创新。具体而言,收集、存储、转换、分析大数据的硬件、软件以及数据分析技巧/技能作为大数据能力的工具基础[8],数据挖掘、文本分析、Web分析、移动分析等作为大数据能力的技术基础[27],两者结合可以将所收集的海量数据转化为有价值信息和知识,促使企业从以往成功或失败的产品、服务中找出内部运营效率低下的原因。同时,能够精准辨别、挖掘客户潜在需求,开发新的产品和服务[28]。最后,精准把握客户需求和非客户需求,实现对竞争对手的行为监测等,从而提升创新效率。
(3)从智能模式角度,充分利用数据挖掘和分析提炼出的有价值信息,可以帮助企业在经营管理中实现智能认知、智能管理及智能决策制定,进而优化业务战略、提高创新效率、开发新的产品、创造新的市场。智能认知方面,随着大数据能力提升,企业依据实时数据对产品质量、生产加工时间进行精准预测[29],创新活动的时效性、动态性、自适应性和精确度随之提升。Cheng等[30]研究指出,实时生产系统能够自主识别生产制造过程中出现的故障、缺陷及其它异常情况,从而及时采取维修、调整工序等措施。智能管理方面,Grover等[31]研究表明,大数据能力促使企业拥有数字化、智能化的“头脑”,可以帮助企业优化业务流程,协调生产、供应链、物流和仓储活动。智能决策方面,强大的大数据能力不仅可以帮助企业识别机会和风险,还可以发现新的生产要素组合方式,识别用户需求或细分市场,为复杂系统中的决策制定提供客观依据,开发新产品或提供服务,从而表现出更好的市场绩效[3]。由此,本文提出以下假设:
H1:大数据能力对创新绩效具有正向促进作用。
IT-业务融合是企业采纳IT的高级阶段,企业在实施IT后,为充分发挥IT战略价值、提高企业绩效,通过不断调整IT与企业业务关系,使二者形成一个相互交融的有机整体[32]。数据赋能理论认为,数据赋能企业创新发展不仅取决于能力构建,也有赖于基于技术优势的融合机制[8,13,14]。IT-业务融合是指新技术嵌入组织,促使技术与社会环境、组织结构、人员水平密切联系和互动的“社会-技术”过程[32,33],在很大程度上影响着基于大数据能力的创新绩效转化机制。对此,Luftman等[34]、Sharma等[35]研究提出,企业只有具备技术融合优势的决策组织架构、资源配置流程以及战略一致性,才能够充分发挥创新协同/互补效用。
在IT-业务融合水平较高的情境下,企业所拥有的IT资源(知识或管理能力)与组织因素(战略、过程、文化、结构)处于协调、一致的状态[36]。这意味着从战略融合角度,企业业务战略与IT战略在战略目标和发展方向上达到一致,相较于融合程度较低的企业,其在IT应用方面具有更强的目的性和规划性,与组织情境良好匹配,所形成的合力能够驱动组织有效利用大数据能力实现创新绩效提升。Crte-Real等[37]研究发现,较高的IT和业务战略一致性有助于企业实现基于大数据分析的价值创造。同时,从基础架构融合角度,IT部门与业务部门保持合作伙伴关系,参加彼此的计划制定过程,提升两部门对于彼此使命、目标和计划的理解程度[32],减少组织对IT架构的认知隔阂,提升组织架构适应性和灵活度,促进企业更好地利用大数据能力提高创新效率、开发产品和服务。从流程融合角度,企业业务流程与IT流程融合,最终达到 IT 流程有效支持业务流程的状态,企业可以高效利用大数据能力挖掘市场潜在需求,推动技术研发、产品创新等价值创造。反之,若IT战略与企业业务战略融合度较低,IT战略就难以准确反映组织战略导向,大数据能力可能会因为战略方向性偏差而失效[38]。当组织架构与IT架构不匹配时,可能导致设施不完善、组织架构适应性差以及组织灵活度降低等问题,进而在企业获取与存储大数据资源,并利用大数据技术、基础设施进行数据挖掘、制定数据驱动战略决策等大数据实践中产生大数据生产力悖论。同样,若IT流程与组织业务流程不匹配,则会增加组织运营成本,导致业务流程中产生的动态数据难以在IT流程中被准确记录与分享[39],大数据能力对创新绩效的积极影响也会因此降低。由此,本文提出以下假设:
H2:IT-业务融合正向调节大数据能力与创新绩效之间的关系。
(1)环境动态性对大数据能力与创新绩效间关系的影响。双元环境是组织面临的两种具有相反张力和不同压力的外部环境的统称,存在动态性和竞争性两种环境要素[17]。环境动态性能够反映技术发展和市场需求动态变化,同时体现着组织利益相关者行为或需求、技术创新程度、行业发展趋势和产品服务类型变化程度[40]。不同环境的动态性水平代表不同的环境情境,企业绩效表现也会存在差异。低动态性环境中,技术与市场趋于平稳,企业所捕获的信息时效性价值较高,能够满足企业利用信息、知识实施创新的基本生存需求[41]。在上述情境下,企业所具备的实时捕获市场数据、存储并分析数据信息以及重构自身资源的能力难以发挥[7,42],因而对企业创新绩效提升的促进作用并不显著。同时,企业培育大数据能力所付出的额外成本无法有效转化为经济价值或社会价值,企业利润率可能因此降低。换言之,此时环境动态性会削弱大数据能力对创新绩效的正向影响。
随着环境动态性程度升高,环境不可预测性为组织开发和探索大数据能力提供了更多市场机会,同时带来了更多风险[21,22]。一方面,行业趋势、技术、竞争对手行为以及顾客需求变化迅速,驱动企业更快速地获取新技术、新信息、新知识,精准把握新兴客户偏好,定位细分市场[40],开发新产品和服务,同时增强内部业务流程及运营活动的灵活性和敏捷性,提高企业资源配置和服务提供效率,从而提升创新效率[43]。也就是说,高动态性环境促使企业凭借大数据能力在精准把握行业动态、实时洞察市场机会、提供决策支持等方面发挥更大的效用,并将其高效转化为创新绩效产出。另一方面,高度动态环境中,企业面临较大的内部信息冲突和较高的外部资源要求[19],其依赖传统渠道所获取的信息、特定技术解决方案等可能会大幅贬值[43]。因此,需要企业利用大数据能力发挥资源获取、数据挖掘、智能认知、智能管理等优势,及时找到运营效率低的原因,提高内部资源配置效率,实现创新产品/服务开发等,同时精准把握外部需求变化,做到对症下药,从而促进创新绩效提升。此时,环境动态性程度提升能够强化大数据能力对创新绩效的正向影响。由此,本文提出以下假设:
H3a:环境动态性在大数据能力对创新绩效的影响过程中起正U型调节作用。
(2)环境竞争性对大数据能力与创新绩效间关系的影响。环境竞争性反映外部环境中的竞争者数量以及竞争领域数量[44]。在竞争环境中,企业会受到同行业企业数量、技术更新速度等因素影响。因此,面对不同竞争环境,企业大数据能力的有效性有所不同。在竞争程度较小的环境中,企业面临的竞争对手较少、竞争压力较小,而传统创新方式成本低、风险小[45],企业依靠现有资源足以应对市场挑战。此时,大数据能力优势并未凸显,大数据能力对创新绩效的正向影响相对较弱。随着环境竞争程度提升,竞争对手数量增多,传统创新方式弊端开始显露,企业需要采取变革性较强的创新方式提升自身竞争优势[45,46]。大数据能力为企业带来新的资源获取渠道,优化管理方案并更新技术,弥补企业短板,使其能够快速研发新技术或产品[45]。例如,企业既可以利用大数据能力进行供应链瓶颈成因分析,进而改进操作和业务流程[47],也可以通过开发数据分析平台,实现对客户数据的实时监测与分析,及时制定解决方案,防止被其他竞争者抢占先机[7]。此时,具备大数据能力的企业能够发挥其独特优势,实现创新绩效较大提升。
然而,环境竞争性存在一定的阈值效应,对大数据能力与创新绩效间关系具有非线性影响。可能原因在于,外部环境中的过度竞争伴随着降本、增效、减价的多重压力,此时企业亟待提升自身能力以适应激烈的竞争环境[44,48]。同时,竞争程度过高的环境中,竞争对手激增且同质化程度较高,可用的探索性创新资源减少[46,49],企业难以通过塑造异质性特征在市场中获得优势地位。在此情境下,尽管企业能够利用大数据能力提高自身战略灵活性,进而获得一定的竞争优势,但随着竞争对手行为的随机性、不可预测性增强,企业增长空间随之缩小,需要从事更高风险的探索性创新活动才能够维持绩效,难以获得超额收益,从而在很大程度上影响创新绩效提升[50]。同时,利用大数据能力发掘潜在增长点,需要企业凭借资源能力探索新技术、开拓新市场等,导致创新投入成本大幅增加,获得超额利润的可能性降低,利润率也因此降低[18]。因此,随着环境竞争性水平提升,企业凭借大数据能力促进创新绩效提升,当该水平超过某个临界点后,大数据能力转而会削弱企业创新绩效表现。由此,本文提出以下假设:
H3b:环境竞争性在大数据能力对创新绩效的影响过程中起倒U型调节作用。
本研究理论模型构建如图1所示。
图1 理论研究模型
鉴于企业大数据能力、IT-业务融合、双元环境等数据较难从公开资料中获取,本研究采用实地调研和电子邮件两种方式发放调查问卷,采集样本数据。样本企业以珠江三角洲地区制造企业为主,调研主要面向企业高/中/基层管理人员与核心技术人员,需确保填答者对企业创新、大数据管理与应用等方面有深刻的认识。本文分两阶段共发放500份问卷收集数据:2019年8-11月,现场发放调研问卷260份,回收有效问卷184份;2020年4-5月,邮件发放问卷140份,回收有效问卷130份,共回收有效问卷314份,有效回收率为62.8%,经对比发现,两种方式回收的问卷数据无显著差异,因而合并分析。样本描述性统计结果如表1所示,样本企业在企业规模、年龄、类型、所属行业、产业类型以及大数据应用年限方面均呈现差异化特征,表明研究样本具有较强代表性。
表1 样本描述性统计结果(N=314)
样本特征 数量占比(%)性别男15348.73女16151.27受教育程度专科及以下13442.68本科15649.68硕士及以上247.64职位高层管理者3310.51中层管理者9831.21基层管理者9329.62技术人员6921.97其它216.69工作年限/年<25918.792~410734.085~77925.168~104012.74>10299.23企业年龄/年<910031.859~1912539.8120~306019.11>30299.23企业规模/人<203912.4220~29915449.04300~9996219.75>1 0005918.79企业类型国有企业5818.47民营企业18057.32其它,包括外资企业、合资企业等7624.21所属行业电气机械和器材制造业3812.1专用与通用设备制造业3210.19计算机、通信设备制造业14144.9金属制品业154.78家具制造业216.69其它,包括医药制造业、纺织服装及服务制造业等6721.34大数据应用年限<311937.93~613141.72>66420.38产业类型战略性新兴产业19662.42传统产业11837.58
本研究选用国内研究的成熟量表,确保测量量表的信度与效度。大数据能力测量采用Lin & Kunnathur[8]开发的测量量表,包含16个题项;创新绩效测量借鉴钱锡红等[51]的研究成果,包含5个题项;IT-业务融合测量参考顾美玲和毕新华[32]、顾美玲[39]的研究成果,包含15个题项;环境动态性和环境竞争性主要借鉴Jansen等[16]、陈建勋[17]的测量方式,各包含4个题项。所有题项均采用Likert 7点量表进行测度。此外,依据Mikalef等[7]的研究,企业大数据能力的商业价值实现还会受企业年龄、企业规模、企业类型等因素影响。因此,本研究将上述变量作为控制变量。
为保障调查结果的客观性,本研究采用过程控制、统计控制两种方法规避共同方法偏差的影响。首先,过程控制主要通过匿名填答、内容保密实现。调查问卷发放时向填答者明确表示所填内容将严格保密且仅供学术研究,采用不记名方式回收问卷,以减轻填答者的心理压力,获得更为真实的信息。其次,统计控制主要利用Harman单因素检验方法实现,结果表示,在未旋转情况下第一个主成分解释了总方差变异的23.046%,低于40%的临界值。由此推断,研究数据的共同方法偏差问题在可接受范围内。
本研究采用SPSS和Amos软件进行信度与效度检验。首先,如表2所示,各变量的Cronbach' α系数和CR值均大于0.7,AVE值均高于0.5,表明研究中各构念所采用的量表具有较好的内部一致性。其次,效度检验主要包括聚合效度、区分效度两个方面。一方面,大数据能力、IT-业务融合、环境动态性、环境竞争性和创新绩效的KMO检验系数分别为0.969、0.966、0.819、0.813、0.876,各题项标准化因子载荷均大于0.5,Bartlett球形检验显著性系数均为0,表明变量量表具有良好的聚合效度,满足实证分析要求。另一方面,通过对单因子模型、二因子模型、三因子模型、四因子模型和五因子模型进行比较分析,结果如表3所示,五因子模型相较于其它模型拟合效果较好(χ2 /df=1.725<3;RMSEA= 0.048<0.05;IFI=0.947>0.9;TLI=0.942>0.9;CFI=0.947>0.9),且表4中AVE平方根值均大于潜变量间的相关系数,说明研究量表具有较好的区分效度。
表2 信度与效度检验结果
变量测量题项载荷值Cronbach' αCRAVE大数据能力企业能够识别企业所需要的大数据资源0.7780.9670.9660.643企业有能力获取所需要的大数据来源0.755企业有能力存储大量数据0.781企业具备快速处理海量数据的能力0.719企业拥有行业领先技术对海量数据进行处理0.807企业能够持续地更新计算设备以处理海量数据0.799企业能够持续地更新IT架构以处理海量数据0.812企业能够持续地更新IT基础设施以处理海量数据0.813企业擅长数据分析,主要是数据挖掘与统计分析0.845企业擅长对文本等非结构化数据进行文本分析0.835企业擅长对网站进行web分析0.888企业擅长运用移动计算处理技术进行移动分析0.860企业能够从海量数据中挖掘出新的商业机会0.837企业能够利用大数据资源为新产品的开发提供支持0.781企业能够基于大数据资源提高创新能力0.754企业能够基于大数据制订企业的发展战略0.750IT-业务融合现有IT基础设施及软件系统的技术领先程度能够达到本企业要求0.7710.9650.9650.648现有IT基础设施及软件系统的可兼容性能够达到本企业要求0.809现有IT基础设施及软件系统的安全性能够达到本企业要求0.799IT基础设施及软件系统的新功能或新模块的可扩展程度能够达到本企业要求0.828本企业已经实现了部门IT基础设施及软件系统的全面覆盖0.801IT内嵌的业务流程符合本企业的作业流程0.820本企业业务过程中产生的动态数据能够在IT中准确记录共享0.799本企业利用IT优化了原来的生产与管理流程,减轻了员工的工作负担0.827本企业利用IT优化了原有生产与管理流程,有效降低了成本0.805本企业利用IT优化了原有生产与管理流程,提高了产品/服务质量0.816本企业CIO(首席信息官或信息主管)是企业经营管理层的重要成员0.768本企业IT战略与业务战略在目标、使命和计划方面一致性程度很高0.802本企业IT战略柔性很强,能够及时响应业务战略的变化0.772当本企业IT战略发生变化时,业务战略能够及时响应,以保证两者的一致0.835本企业IT战略能够引领业务战略发现新的价值增长点0.818环境动态性外部环境不断发生变化0.7810.8420.8420.572顾客经常对产品(服务)提出新的需求0.780外部环境变化剧烈0.717公司所在市场上的产品(服务)数量和种类不断在变化0.744环境竞争性环境竞争非常激烈0.8120.8480.8490.585竞争对手实力较强0.731市场竞争强度很高0.795公司所在的市场经常出现价格竞争0.717创新绩效与同行相比,我们常常在行业内率先推出新产品/新服务0.7640.8710.8720.578与同行相比,我们常常在行业内率先应用新技术0.768与同行相比,我们的产品改进与创新有非常好的市场反应0.750与同行相比,我们的产品包含一流的先进技术与工艺0.786与同行相比,我们新产品开发成功率非常高0.731
表3 变量区分效度检验结果
模型χ2 /dfRMSEAIFITLICFI五因子模型:BDC;ITBA;ED;EC;IP1.7250.0480.9470.9420.947四因子模型:BDC+ITBA;ED;EC;IP2.5110.0690.8870.8800.886三因子模型:BDC+ITBA+ED;EC;IP2.8680.0770.8590.8510.859二因子模型:BDC+ITBA+ED+EC;IP3.0200.0800.8480.8390.847单因子模型:BDC+ITBA+ED+EC+IP3.3360.0860.8240.8140.823
注:BDC表示大数据能力;ITBA表示IT-业务融合;ED表示环境动态性;EC表示环境竞争性;IP表示创新绩效;+代表多个因子合并为一个因子
如表4所示,本研究中主要变量间显著相关。此外,模型检验中方差膨胀因子(VIF)值均小于3,处于0 表4 主要变量均值、标准差与Pearson相关系数(N=314) 变量123451大数据能力0.8022 IT-业务融合0.675**0.8053环境动态性0.572**0.574**0.7564环境竞争性0.583**0.546**0.684**0.7655创新绩效0.638**0.657**0.578**0.538**0.760均值5.5475.5295.6315.6785.709标准差1.0581.0600.9361.0111.032 注:①**p<0.01; ②对角线数据为变量AVE值的平方根值,下同 本研究采用层次回归方法进行假设检验。为降低多重共线性影响,在构建乘积项前对变量进行标准化处理,结果如表5所示。模型1是包含控制变量、自变量(大数据能力)和因变量(创新绩效)的主效应模型,结果显示,大数据能力对创新绩效的作用显著(β=0.746,p<0.001),H1得到实证支持;模型2与模型3是在模型1的基础上加入调节变量IT-业务融合及其交互项的基础调节模型,交互项回归系数显著为正(β=0.175,p<0.001),表明IT-业务融合水平越高,大数据能力对企业创新绩效的促进作用越显著,H2得到支持。为验证双元环境的调节作用,借鉴Jaccard&Turrisi[52]的研究方法,加入两调节变量及其平方项、结果显示,交互项形成模型3,结果显示,环境动态性平方项与大数据能力的交互项回归系数显著为正(β=0.215,p<0.05),表明环境动态性对大数据能力与创新绩效间关系的影响呈正U型,H3a得到支持;环境竞争性平方项与大数据能力的交互项回归系数显著为负(β=-0.165,p<0.1),即环境竞争性对大数据能力与创新绩效间关系的影响呈倒U型,H3b得到支持,表明适度水平的竞争性环境对大数据能力创新转化具有促进作用,当环境竞争水平过高或过低时,其对大数据能力与创新绩效间关系的促进作用较弱。 表5 主效应及调节作用检验结果(N=314) 变量模型1模型2模型3企业年龄0.033*0.0080.031企业规模0.0260.023-0.011企业类型0.0310.0330.052大数据能力0.746***0.262**0.593***IT-业务融合0.479***环境动态性0.104环境竞争性0.125环境动态性20.013环境竞争性20.079大数据能力×IT-业务融合0.175***大数据能力×环境动态性0.119大数据能力×环境动态性20.215*大数据能力×环境竞争性-0.136大数据能力×环境竞争性2-0.165+R20.5710.6610.615F63.441***61.540***24.347*** 注:***p<0.001,**p<0.01,*p<0.05,+p<0.1 总体来看,大数据能力对企业创新绩效具有积极正向影响,但企业不可忽视不同内外部情境对该作用机制的差异化影响。因此,探究大数据能力对创新绩效作用机制,需考虑IT-业务融合与外部双元环境可能产生的边界效用。本文通过理论研究提出研究假设,以314份企业问卷为样本,运用实证研究方法得出如下结论: (1)大数据能力培育有利于企业创新绩效提升。现有研究对大数据本身如何影响企业创新存在争议,可能原因在于,大数据的多样性、高频率和准确性能够帮助企业获取有价值的见解[4],但组织内部缺乏有效的管理支持同样会导致数据价值失效[3]。目前,大数据生产力悖论成因尚未得到充分解答。鉴于此,本研究从动态能力视角探索大数据能力对创新绩效的影响,实证结果表明,大数据能力对创新绩效具有正向促进作用。该结论是就现有观点大数据能力对组织绩效具有积极影响[3]的进一步响应与诠释。因此,企业只有从能力层面加强内部有效管理,突破从大数据中获益的局限,才能对企业创新绩效产生实质性作用。 (2)IT-业务融合在大数据能力与创新绩效关系间存在显著正向调节效应,这意味着不同程度的IT-业务融合状态会影响大数据能力对企业创新的作用效果,IT-业务融合水平越高,对大数据能力与创新绩效间关系的积极影响越显著。这一结论支持Tallon等[11]的观点,拓展了企业内部情境特征对大数据能力与创新绩效间关系的影响研究。因此,企业要建立并完善具有技术融合优势的决策组织架构,确保资源配置流程以及战略的一致性,促使企业处于高水平IT-业务融合状态,进而充分发挥大数据能力对创新绩效的促进作用。 (3)双元环境在大数据能力与创新绩效关系中发挥调节器的作用。本研究结果表明,环境动态性有利于企业大数据能力培育与创新转化,但存在正U型调节效应,因而企业要防范在大数据能力构建方面盲目投入。环境竞争性对大数据能力与创新绩效间关系的影响存在最佳点,即存在倒U型调节效应,在最佳点之前,随着环境竞争程度提升,大数据能力对创新绩效的正向影响逐渐加强;在最佳点之后,对大数据能力与创新绩效间关系具有负向影响。以上研究结论,进一步证实了陈建勋[17]的观点,双元环境是企业在环境中运营的重要驱动力,从理论上深化了对大数据能力影响创新绩效过程的认识,检验了这一作用机制的边界条件。因此,企业在培育大数据能力时,要适时依据外部环境动态性和竞争程度进行调整,避免企业将有限的资源过多投入到大数据能力培育中,从而削弱大数据能力对创新绩效的积极作用。 (1)基于动态能力理论,从大数据赋能视角研究企业创新绩效提升的动力学机制,摆脱现有研究的局限,构建资源整合、数据挖掘与分析以及组织战略决策逻辑框架,既拓展了动态能力视角下大数据对创新绩效作用机制相关研究,也丰富了现有大数据能力影响因素研究。 (2)综合考虑组织内外部情境因素,剖析IT-业务融合和双元环境在大数据能力与创新绩效之间的调节机制,进一步拓展影响大数据能力与创新绩效之间关系的边界条件。一方面,进一步对IT-业务融合进行探索,弥补现有研究的不足。另一方面,基于权变理论,聚焦企业环境适配性问题,引入双元环境变量,进一步证实大数据能力向创新绩效转化既是一个内部驱动过程,也是一个被动的应激改变过程的观点,丰富了双元环境与企业创新绩效关系研究。 一方面,与大多数大数据能力研究的关注点不同,本文突出大数据能力影响企业创新的动态性,发现组织不仅应注重对大数据技术的投资,更应培育处理、管理和部署大数据资源的能力,从数据管理、基础架构、专业人才等方面支持业务洞察,将大数据视为一种资源、分析工具和技能,进而将其培育成为一种可被应用、难以模仿的能力,通过资源、资产、技能和竞争力间的相互作用,支持公司战略以及经营目标实现,从而实现可持续创新。另一方面,企业大数据能力绩效目标的实现离不开内外部情境因素的作用。因此,在大数据能力培育与转化过程中,企业应同时关注内部信息技术与企业融合情况,以及外部环境动态变化与竞争情况。在内部信息技术与企业融合方面,需要重点关注与信息技术相关的硬件设备、软件系统、业务流程以及战略目标能否有效支持企业运营与发展;在外部环境动态性与竞争性方面,应重点从技术趋势、行业发展、市场需求以及利益相关者行为等方面切入,利用环境的引导性作用,夯实组织大数据能力创新效益支撑。 首先,研究样本集中于珠三角地区,未来可以提高样本企业地域分布的广泛性,增强研究结论的普适性;其次,本研究采用横截面数据进行实证检验,未来可以尝试采用动态分析进行纵向研究,探讨大数据能力向创新绩效转化机理,弥补当前研究的不足。另外,本研究基于动态能力观,将大数据能力纳入企业创新绩效研究范畴,仅打开了该影响机制“黑箱”的“能力”面。鉴于此,未来研究可以更全面、系统地探究该机制的约束和促进条件。 [1] 柳卸林,董彩婷,丁雪辰.数字创新时代:中国的机遇与挑战[J].科学学与科学技术管理,2020,41(6):3-15. [2] HAO S B,ZHANG H L,SONG M.Big data,big data analytics capability,and sustainable innovation performance[J].Sustainability,2019,11(24):7145. [3] FERRARIS A,MAZZOLENI A,DEVALLE A,et al.Big data analytics capabilities and knowledge management:impact on firm performance[J].Management Decision,2019,57(8):1923-1936. [4] GHASEMAGHAEI M,CALIC G.Does big data enhance firm innovation competency? the mediating role of data-driven insights[J].Journal of Business Research,2019,104:69-84. [5] JOHNSON J S,FRIEND S B,LEE H S.Big data facilitation,utilization,and monetization:exploring the 3Vs in a new product development process[J].Journal of Product Innovation Management,2017,34(5):640-658. [6] MCAFEE A,BRYNJOLFSSON E.Big data:the management revolution[J].Harvard Business Review,2012,90(10):60-66,68,128. [7] MIKALEF P,BOURA M,LEKAKOS G,et al.Bigdata analytics capabilities and innovation:the mediating role of dynamic capabilities and moderating effect of the environment[J].British Journal of Management,2019,30(2):272-298. [8] LIN C C,KUNNATHUR A.Strategic orientations,developmental culture,and big data capability[J].Journal of Business Research,2019,105:49-60. [9] GUPTA M,GEORGE J F.Toward the development of a big data analytics capability[J].Information & Management,2016,53(8):1049-1064. [10] GILBERT C G.Unbundling the structure of inertia:resource versus routine rigidity[J].Academy of Management Journal,2005,48(5):741-763. [11] TALLON P P,RAMIREZ R V,SHORT J E.Theinformation artifact in IT governance:toward a theory of information governance[J].Journal of Management Information Systems,2013,30(3):141-178. [12] MICHEL K, ANDREW S, HAJER K, et al.A dynamic capabilities approach to understanding the impact of it-enabled businesses processes and it-business alignment on the strategic and operational performance of the firm[J].Communications of the Association for Information Systems, 2009, 26(1):57-84. [13] LENKA S,PARIDA V,WINCENT J.Digitalizationcapabilities as enablers of value Co-creation in servitizing firms[J].Psychology & Marketing,2017,34(1):92-100. [14] AKTER S,WAMBA S F,GUNASEKARAN A,et al.How to improve firm performance using big data analytics capability and business strategy alignment[J].International Journal of Production Economics,2016,182:113-131. [15] HÉROUX S,FORTIN A.The moderating role of IT-business alignment in the relationship between IT governance,IT competence,and innovation[J].Information Systems Management,2018,35(2):98-123. [16] JANSEN J J P,VAN DEN BOSCH F A J,VOLBERDA H W.Exploratory innovation,exploitative innovation,and performance:effects of organizational antecedents and environmental moderators[J].Management Science,2006,52(11):1661-1674. [17] 陈建勋.组织学习的前因后果研究:基于二元视角[J].科研管理,2011,32(6):140-149. [18] PRAJOGO D I,OKE A.Human capital,service innovation advantage,and business performance[J].International Journal of Operations & Production Management,2016,36(9):974-994. [19] 孙锐,李树文,顾琴轩.双元环境下战略人力资源管理影响组织创新的中介机制:企业生命周期视角[J].南开管理评论,2018,21(5):176-187. [20] XIAO X H,TIAN Q H,MAO H Y.How the interaction of big data analytics capabilities and digital platform capabilities affects service innovation:a dynamic capabilities view[J].IEEE Access,2020(8):18778-18796. [21] CHEN D Q,PRESTON D S,SWINK M.How the use of big data analytics affects value creation in supply chain management[J].Journal of Management Information Systems,2015,32(4):4-39. [22] WAMBA S F,DUBEY R,GUNASEKARAN A,et al.The performance effects of big data analytics and supply chain ambidexterity:the moderating effect of environmental dynamism[J].International Journal of Production Economics,2020,222:107498. [23] SHAMIM S,ZENG J,SHAFI CHOKSY U,et al.Connecting big data management capabilities with employee ambidexterity in Chinese multinational enterprises through the mediation of big data value creation at the employee level[J].International Business Review,2020,29(6):101604. [24] 谢卫红,李忠顺,苏芳,等.高管支持、大数据能力与商业模式创新[J].研究与发展管理,2018,30(4):152-162. [25] 周文辉,邓伟,陈凌子.基于滴滴出行的平台企业数据赋能促进价值共创过程研究[J].管理学报,2018,15(8):1110-1119. [26] 刘平峰,王雨婷,苏超超.大数据赋能企业知识管理创新机理与路径研究:基于华为案例[J].科技进步与对策,2021,38(1):122-131. [27] WAMBA S F,GUNASEKARAN A,AKTER S,et al.Big data analytics and firm performance:effects of dynamic capabilities[J].Journal of Business Research,2017,70:356-365. [28] XU Z N,FRANKWICK G L,RAMIREZ E.Effects of big data analytics and traditional marketing analytics on new product success:a knowledge fusion perspective[J].Journal of Business Research,2016,69(5):1562-1566. [29] BELHADI A,ZKIK K,CHERRAFI A,et al.Understandingbig data analytics for manufacturing processes:insights from literature review and multiple case studies[J].Computers & Industrial Engineering,2019,137:106099. [30] CHENG Y,CHEN K,SUN HM,et al.Data and knowledge mining with big data towards smart production[J].Journal of Industrial Information Integration,2018(9):1-13. [31] GROVER V,CHIANG R H L,LIANG T P,et al.Creatingstrategic business value from big data analytics:a research framework[J].Journal of Management Information Systems,2018,35(2):388-423. [32] 顾美玲,毕新华.企业创新文化对IT-业务融合的影响机制研究:来自东北地区的实证[J].科技进步与对策,2017,34(15):94-100. [33] 胡安安,黄丽华,凌鸿.基于文化视角的信息技术应用研究述评[J].研究与发展管理,2009,21(3):98-104. [34] LUFTMAN J,LYYTINEN K,ZVI T B.Enhancing the measurement of information technology (IT) business alignment and its influence on company performance[J].Journal of Information Technology,2017,32(1):26-46. [35] SHARMA R,MITHAS S,KANKANHALLI A.Transforming decision-making processes:a research agenda for understanding the impact of business analytics on organisations[J].European Journal of Information Systems,2014,23(4):433-441. [36] WIENGARTEN F,HUMPHREYS P,CAO GM,et al.Exploring the important role of organizational factors in IT business value:taking a contingency perspective on the resource-based view[J].International Journal of Management Reviews,2013,15(1):30-46. [37] CRTE-REAL N,RUIVO P,OLIVEIRA T,et al.Unlocking the drivers of big data analytics value in firms[J].Journal of Business Research,2019,97:160-173. [38] KEARNS G S.An electronic commerce strategic typology:insights from case studies[J].Information& Management,2005,42(7):1023-1036. [39] 顾美玲.企业创新文化对IT-业务融合的影响机制研究[D].长春:吉林大学,2018. [40] YANG T T,LI C R.Competence exploration and exploitation in new product development[J].Management Decision,2011,49(9):1444-1470. [41] 李忆,司有和.探索式创新、利用式创新与绩效:战略和环境的影响[J].南开管理评论,2008,11(5):4-12. [42] SIVARAJAH U,KAMAL M M,IRANI Z,et al.Critical analysis of Big Data challenges and analytical methods[J].Journal of Business Research,2017,70:263-286. [43] WANG Y,SHI S,NEVO S,et al.The interaction effect of IT assets and IT management on firm performance:a systems perspective[J].International Journal of Information Management,2015,35(5):580-593. [44] MATUSIK S F,HILL C W L.The utilization of contingent work,knowledge creation,and competitive advantage[J].Academy of Management Review,1998,23(4):680-697. [45] 彭灿,李瑞雪,杨红,等.动态及竞争环境下双元创新与企业可持续发展关系研究[J].科技进步与对策,2020,37(15):70-79. [46] 陈国权,刘薇.企业组织内部学习、外部学习及其协同作用对组织绩效的影响:内部结构和外部环境的调节作用研究[J].中国管理科学,2017,25(5):175-186. [47] WANG G,GUNASEKARAN A,NGAI E W T,et al.Big data analytics in logistics and supply chain management:certaininvestigations for research and applications[J].International Journal of Production Economics,2016,176:98-110. [48] 简兆权,旷珍.协同创新网络、复合式能力与新服务开发绩效[J].管理学报,2020,17(10):1498-1505. [49] ZAHRA S A.Technology strategy and financial performance:examining the moderating role of the firm's competitive environment[J].Journal of Business Venturing,1996,11(3):189-219. [50] MARTIN S L,JAVALGI R G.Entrepreneurial orientation,marketing capabilities and performance:the moderating role of competitive intensity on Latin American international new ventures[J].Journal of Business Research,2016,69(6):2040-2051. [51] 钱锡红,杨永福,徐万里.企业网络位置、吸收能力与创新绩效:一个交互效应模型[J].管理世界,2010,26(5):118-129. [52] JACCARD J,TURRISI R.Interactioneffects in multiple regression[M].2455 Teller Road,Thousand Oaks California 91320 United States of America :SAGE Publications,Inc.,2003.3.4 假设检验
4 结语
4.1 研究结论
4.2 理论意义
4.3 管理启示
4.4 不足与展望