开放科学(资源服务)标识码(OSID)：
Given the actual development needs of firms and the call for theoretical research, this study uses the resource orchestration theory to bring resource integration, employee intrapreneurship, and empowerment-focused HRM into the research framework and explores the influence mechanism of different dimensions of big data capabilities on firm innovation. Specifically, it draws on scholars' views to divide big data capabilities into big data adoption, big data routinization and big data assimilation, and discuss their differential impacts on resource integration, employee intrapreneurship and firm innovation. Finally, the study analyzes the moderating role of empowerment-focused HRM between resource integration and employee intrapreneurship. Using the data of 173 internal platform firms nationwide, this study tests the above research model by using SPSS 24.0 and Amos 24.0 software tools and multiple regression models .
The results show that (1) big data adoption, big data routinization and big data assimilation have direct positive effects on firm innovation; (2) specifically, big data adoption, big data routinization and big data assimilation have positive effects on firm innovation through resource integration and employee intrapreneurship; (3) the three dimensions of big data capabilities (big data adoption, big data routinization and big data assimilation) have a positive impact on firm innovation through the chain mediating role of resource integration and employee intrapreneurship; (4) empowerment-focused HRM plays a positive role in moderating the positive relationship between resource integration and employee intrapreneurship.
The conclusion of this study has a certain theoretical contribution to clarify the influence mechanism of different dimensions of big data capabilities on firm innovation, and can also provide practical enlightenment for firms to obtain competitive advantage and innovation development. First, firms should pay attention to the construction of big data capabilities and make rational use of big data technology. A firm not only needs to pay attention to the integration of big data and the construction of management capabilities, but also needs to integrate big data capabilities into the innovation process of firm products and services, as well as the key strategic areas of the organization so as to comprehensively improve the technical capabilities of firms in dealing with big data. Second, firms need to seek a variety of resource arrangements to realize the transformation of big data and capabilities into innovation achievements. Firms not only need to pay attention to the construction of big data capabilities, but they also should realize the value and effective use of big data resources through resource integration based on the firm's big data technology capabilities, and then transform them into innovation achievements of firm products and services. Third, firms should attach importance to human resource management centered on empowerment,and properly empower employees to improve their internal identity and enable them to make decisions and work independently.
开放科学(资源服务)标识码(OSID)：
习近平总书记在中共二十大报告中强调,教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。必须坚持科技是第一生产力、人才是第一资源、创新是第一动力,深入实施科教兴国战略、人才强国战略、创新驱动发展战略,开辟发展新领域新赛道,不断塑造发展新动能新优势。不确定性环境下,大数据能力构建是企业获得创新优势的重要方式[1]。虽然学者们对大数据能力与企业创新关系进行了研究,但仍然存在以下局限:第一,大数据能力与企业创新关系机制模糊。大部分学者认为,大数据能力对企业创新具有促进作用。例如,许芳等[2]发现,大数据应用能力有利于企业创新;Ghasemaghaei&Calic[3]从组织学习视角出发,发现大数据能力对企业创新具有积极影响。也有学者认为,大数据能力与企业创新并不具有正相关关系。例如,Kiron等[4]认为,大数据能力带来的创新增长曲线会随时间推移逐渐扁平;Gupta等[5]指出,单纯依靠大数据分析技术难以推动企业创新。由此可见,现有文献对大数据能力与企业创新的关系存在争议。第二,尚未基于新的理论视角剖析大数据能力与企业创新关系机制。现有研究主要基于资源基础观与动态能力理论探讨大数据能力对企业创新的影响。例如,Mikalef等[6]指出,大数据能力通过企业动态能力影响企业创新;Ferraris等[7]指出,大数据能力是促进企业创新的重要路径;Ghasemaghaei&Calic[3]认为,企业仅凭借大数据能力获取海量数据难以实现创新目标。由此可见,大数据能力与企业创新关系机制模糊,有必要基于新的理论视角进行深入探讨。
本文基于资源编排理论视角剖析大数据能力与企业创新关系机制。资源编排理论指出,企业需要对现有资源进行结构化、捆绑和管理,这是实现组织资源战略价值的重要方式[8]。资源整合是指企业对不同资源进行选择、配置和有机融合,以形成新资源体系的过程[9]。因此,本文将资源整合视为企业层面的资源编排行为。具体地,通过资源整合,企业能够有效调动自身资源,如基于大数据能力获取数据资源,进而可能对企业创新产生积极效应。此外,需要关注微观个体层面的资源编排行为,因为员工可以利用企业资源实现资源价值[10]。内部创业是指员工能够基于现有资源,为组织创建新的业务和实现组织自我更新的活动[11]。Reibenspiess等[12]认为,大数据能力能够提高员工创业成功率,进而促进组织创新;Blank[13]指出,内部创业活动伴随着资源利用和配置行为;Wan等[14]认为,内部创业具有资源的二维性:一是内部创业能够重组现有资源,二是内部创业能够通过机会寻求和网络嵌入等方式生成新的资源;Gawke等[15]认为,内部创业主要表现为基层员工通过企业资源配置与使用形成新的业务机会和商业流程。根据现有研究,本文将内部创业视为个体层面的资源编排行为。由此,员工如何在资源整合过程中有效实现内部创业是企业亟待解决的问题。Seibert等[16]指出,通过赋权激励员工充分利用企业资源有助于企业创新,但未给出足够的经验证据。因此,本文引入以赋权为中心的人力资源管理[17],探讨其在组织与个体资源编排间的调节作用。
综上所述,本文基于资源编排理论探讨大数据能力对企业创新的影响机制,揭示大数据能力不同维度与企业创新的关系,进一步分析资源整合、内部创业的中介效应以及以赋权为中心的人力资源管理的调节作用,以期深化对大数据能力与企业创新关系的理解,为企业创新发展提供指导。
根据资源编排理论,组织只有对资源进行结构化、捆绑和管理,才能实现资源战略价值[18]。由此,企业需要构建合适的资源渠道与管理机制,以此调动与配置组织资源。本文认为,企业需要培育大数据能力,而核心问题是如何将这一资源转化为更具战略价值的资源。对此,现有文献给出了思路:Wamba等[18]指出,组织可以通过引入新的资源配置流程将大数据能力转化为新的资源能力。基于前文所述,资源整合是企业实现资源调动的具体途径,符合企业层面资源编排的核心理念。Wan等[14]认为,内部创业有助于现有资源重组,并通过机会寻求与网络嵌入等方式生成新的资源。因此,内部创业与个体层面的资源编排具有一定关联。
值得注意的是,Reibenspiess等[12]指出,企业基于大数据构建的数字化平台能够提供异质性资源与市场信息,从而有效促进企业内部创业;李宇和马征远[11]基于案例研究,构建了创业机会通过资源编排与内部创业促进组织创新的理论框架。虽然以上研究解释了大数据能力与内部创业间的关系,以及资源与创新间的关系,但欠缺可靠的经验证据。现有文献基于资源基础观与动态能力理论揭示了大数据能力与企业创新的关系,但鲜有基于资源编排视角的研究[19]。综上,以资源编排理论为基础,借鉴Reibenspiess等[12]提出的“大数据赋能→资源→内部创业”理论模型以及李宇和马征远[11]构建的“创业机会→资源编排→创业行动→创新”理论框架,本文构建理论研究框架,如图1所示。
图1 理论框架
Fig. 1 Research framework
El-Kassar&Singh[20]认为,大数据能力包括大数据采纳、大数据常规化和大数据同化3个维度。其中,大数据采纳是指企业对大数据分析结果的认可和采纳程度;大数据常规化突出企业对大数据能力的应用程度,如大数据分析能否得到企业预算和专业团队支持,是否拥有专业技术和数据分析人员等;大数据同化是指大数据在企业各领域应用程度,如大数据分析是否作为每个部门的重要工具、决策是否基于大数据能力以及是否应用于管理职能领域等。由此,参考El-Kassar&Singh[20]的研究成果,本文将大数据能力划分为大数据采纳、大数据常规化与大数据同化3个维度。
大数据采纳可为企业实现外部数据整合提供条件。不确定性环境下,企业能够借助大数据能力对外部市场的非结构化数据进行整合,以获取全面的市场视图。现有研究表明,整合不同类型数据(客户、政府和供应商)能够提升组织发现潜在商业机会和市场需求的概率,并增强企业产品创新能力[1]。大数据常规化是大数据分析技术在企业内部应用的体现,如是否具备大数据分析技术基础与人才团队等。在高流量数据背景下,大数据能力与技术工具匹配有助于组织执行不同任务,如提供分析报告、构建预测模型以及解释分析结果[18]。大数据同化意味着将大数据能力贯穿于组织各领域,有助于企业利用科学的管理框架制定业务决策。大数据同化从数据规划流程开始,该流程能够识别业务机会并基于确定的大数据模型促进企业创新[19]。此外,大数据协同有助于企业跨职能同步能力提升,从而促进整体业务创新[4]。综上,本文提出研究假设:
H1a:大数据采纳对企业创新具有正向影响;
H1b:大数据常规化对企业创新具有正向影响;
H1c:大数据同化对企业创新具有正向影响。
本文认为,大数据能力可为企业资源整合提供支撑[4]。首先,大数据采纳可为企业资源整合提供良好的认知基础。对大数据采纳程度越高,表明企业管理人员和员工对大数据能力认可程度越高,对大数据在资源整合方面的作用理解越深刻,在认知层面可为企业资源整合提供帮助[3]。其次,大数据常规化可为企业资源整合提供技术支撑。大数据常规化程度较高的企业能够识别稀缺的异质性资源[6]。最后,大数据同化可为企业资源整合提供资源输送渠道。大数据同化程度较高,意味着企业具有良好的大数据能力基础,其内部协调性较强[5],能够帮助企业打通资源渠道,从而促进资源整合。
根据资源编排理论,资源整合可以促进企业创新,但实现路径主要依赖于组织内团队和个体资源编排方式[18]。资源编排过程中产生的耦合作用能够给予组织新的战略机会。例如,对于小微企业来说,资源整合能够有效帮助其识别和获取外部商业机会,进而推动企业发展。资源编排理论同样强调异质性资源的重要性,并认为企业通过资源整合获得的异质性资源是创新的必要条件。企业资源整合能够产生知识溢出,以此促进内部创新团队与个体创新成果产出[21]。综上所述,本文提出假设:
H2a:资源整合在大数据采纳与企业创新间发挥中介作用;
H2b:资源整合在大数据常规化与企业创新间发挥中介作用;
H2c:资源整合在大数据同化与企业创新间发挥中介作用。
本文认为,大数据能力是创业活动的重要推动力。首先,大数据采纳可为内部创业员工提供大数据工具的认知基础。个体需要认识到大数据能力在处理海量数据要素上的重要性,比如大数据分析可以帮助管理者更好地制定创业决策和把握市场机遇[4]。其次,大数据常规化可为员工提供可靠的战略选择,从而降低创业风险。大数据常规化程度较高的企业通常拥有专业数据团队,能够在创业过程中为员工提供信息指导,帮助其规避不确定性风险[6]。最后,大数据同化能够帮助员工更好地开展内部创业。大数据同化程度较高的企业,其内部业务单元具备一定的大数据能力[3],因而员工能够利用大数据工具识别资源、把握机会和实现跨部门交流学习。
现有研究发现,内部创业行为是企业创新的基础,有助于企业竞争优势提升[11]。首先,内部创业与组织活动、成长和创新具有内在联系。在创业过程中,创业员工可以通过资源交互实现价值增值[13]。其次,内部创业员工在工作中具有高度自主权,能够主动识别和利用现有商业机会,上述前瞻性行为能够促进企业创新[11]。最后,内部创业在创新激励与工作福祉方面发挥重要作用,基于自我价值实现的满足感有助于员工开展商业冒险和战略更新,从而促进企业创新。Blanka[13]指出,员工内部创业可以重新配置和利用组织冗余资源,进而激发组织活力。根据资源编排理论,这是组织获得创新优势的重要驱动力。据此,本文提出以下研究假设:
H3a:内部创业在大数据采纳与企业创新间发挥中介作用;
H3b:内部创业在大数据常规化与企业创新间发挥中介作用;
H3c:内部创业在大数据同化与企业创新间发挥中介作用。
资源整合可以通过资源编排效益影响企业竞争优势和创新活动[8]。内部创业作为企业获取创新优势的重要方式,也会受到资源整合影响。一方面,资源环境会影响组织实施内部创业战略的意愿与方式。资源整合能够确保企业在更大范围内甄别、选择并获取有价值的资源,进而提高企业机会识别能力[18]。另一方面,企业可以通过网络关系识别并整合知识,为员工提供更多异质性资源。资源整合是连接各种资源通道的枢纽,能够实现资源“1+1>2”的效果,更是驱动内部创业的引擎。最后,当企业所有资源得到协同配置与合理利用时,多种资源组合能够引导不同知识、信息融合,并衍生出新的资源形态,从而为内部创业赋能[8]。基于企业层面和个体层面的资源编排理论假设,本文进一步提出以下链式中介假设:
H4a:资源整合、内部创业在大数据采纳与企业创新间发挥链式中介作用;
H4b:资源整合、内部创业在大数据常规化与企业创新间发挥到链式中介作用;
H4c:资源整合、内部创业在大数据同化与企业创新间发挥链式中介作用。
以赋权为中心的人力资源管理包括为员工提供发展机会、工作场所参与、丰富的工作设计、信息共享和工作时间自我控制等[17]。Reibenspiess等[12]指出,员工内部创业不仅需要大数据带来的创业信息,而且需要以赋权为中心的人力资源管理。以海尔为代表的平台企业通过组织重塑激发中低层员工创业激情,为自身业务发展提供行为支持。值得注意的是,对于员工而言,在企业资源整合过程中可能会面临信息过载问题,但以赋权为中心的人力资源管理可为员工提供创业信息和自我控制机会。因此,具有高度自主权的员工能够基于自身创业需求对现有创业信息进行有效识别[16]。Moghaddas等[22]指出,当创业员工在组织内拥有高度自主权时,其创业效能感和创业导向增强,个体创业技能、创业敏感度提升,能够在海量创业信息中实现靶向定位。据此,本文提出以下研究假设:
H5:以赋权为中心的人力资源管理能够有效促进企业资源编排行为转化,即人力资源管理赋权程度越高,资源整合对内部创业的正向影响越显著,反之亦然。
本文研究数据主要来自全国范围电子商务、制造业、服务业和互联网技术等行业。本研究分3个阶段收集数据,持续时间一年半。第一阶段,要求受访者完成大数据能力量表,共发放267份问卷,回收有效问卷239份。第二阶段,要求受访者完成资源整合、以赋权为中心的人力资源管理和内部创业量表,共发放239份问卷,回收有效问卷211份。第三阶段,要求参与者完成企业创新量表,共发放问卷211份,回收有效问卷173份。最后,对所有问卷数据进行编号、配对并输入数据库。整体而言,样本具有多样性、代表性和说服力,如表1所示。
表1 样本基本特征
Table 1 Basic characteristics of samples
特征类型频数频率(%) 特征类型频数频率(%)行业类型互联网4727.2企业年龄3年以下2916.8制造业7040.53^6年5330.6服务业3520.26^10年6235.8其它2112.110年以上2916.8企业规模100人以下2615.0地理位置华东4023.1101^200人6437.0华中4324.9201^300人6638.2华南5330.6300人以上179.8其它3721.4
本文研究量表借鉴国内外成熟量表并采用Likert5点量表形式设计,评分范围从1(完全不同意)～5(完全同意)。本文主要遵循以下步骤对大数据能力、内部创业和以赋权为中心的人力资源管理等变量量表进行适当修订:①在制定量表前,请英语专业和管理学专业老师进行翻译,然后将翻译后的量表和原始量表交给另外两位相关专业老师进行修正;②采用专家咨询和结构化访谈对量表题项进行完善;③对厦门和泉州某创业园区企业进行小规模预调研,并采用探索性因子分析等统计方法对量表进行再次修订和完善。由此,形成最终调研问卷。
(1)大数据能力。参考Hazen等[23]、Liang等[24]的研究成果,本文从大数据采纳、大数据常规化和大数据同化3个维度测量企业大数据能力。大数据采纳主要考察企业对大数据技术的接受与认可程度,包含3个题项,典型题项如“企业相信采用大数据分析技术能够帮助企业取得绩效”,Cronbach's α值为0.763;大数据常规化主要考察企业大数据能力应用程度,比如大数据分析是否得到企业预算和专业组织支持,以及是否拥有专业技术和数据分析人员等,包含4个题项,典型题项如“这大数据分析技术流程得到企业预算的支持”,Cronbach's α值为0.755;大数据同化主要考察企业各领域大数据能力应用程度,比如大数据分析是否作为部门重要工具、决策是否基于大数据能力以及是否应用于管理职能领域等,包含4个题项,典型题项如“企业将大数据技术作为每个部门的重要工具”,Cronbach's α值为0.796。由于大数据能力建设无法短时间内完成,故研究团队在问卷说明中加上“近3年”的字样,要求填答者根据公司近3年情况作答。
(2)资源整合。参考董保宝等[25]的研究成果,资源整合量表包含8个题项,典型题项如“企业识别并获取了财务和人力资源”、“企业各部门配置、利用潜在的知识和技能”,Cronbach's α值为0.855。
(3)内部创业。参考Gawke等[15]的研究成果,内部创业量表主要考察员工是否在组织内开展新的业务活动或实施有关创业和组织战略更新等方面的行为,共8个题项,典型题项如“本企业员工会为企业战略更新出谋划策”“本企业员工会开展新的业务活动”,Cronbach's α值为0.885。
(4)以赋权为中心的人力资源管理。参考Boon等[26]的研究成果,高管需要报告过去一个月内企业人力资源活动情况,主要包括参与、培训和发展、信息和工作时间控制等,共8个题项,典型题项如“企业为员工提供在本组织内从事其它工作的机会”和“企业为员工提供开发新技能和知识的机会”,Cronbach's α值为0.883。
(5)企业创新。主要参考唐勇[27]的研究成果,从社会、经济和技术3个方面对企业创新进行衡量。经济创新量表包含3个条目,典型条目如“贵企业近一年的营业利润率是多少”;技术创新量表包含3个条目,典型条目如“贵企业近一年专利授权数量是多少”;社会创新量表包含3个条目,典型条目如“贵企业近一年新成立多少个自有品牌”,Cronbach's α值为0.902。
(6)控制变量。本文将企业行业类型、规模、年龄和地理位置作为控制变量。根据Wan等[28]的研究成果,本文将行业分为4类,1表示“互联网”,2表示“制造业”,3表示“服务业”,4表示“其它”;企业规模分为4类,1表示“100人以下”,2表示“101～200人”,3表示“201～300人”,4表示“300人以上”;企业年龄根据企业自成立时间到第一次调查时间进行划分,1表示“3年以下”,2表示“3～6年”,3表示“7～10年”,4表示“10年以上”;企业地理位置根据调研企业所在地(分公司以总部所在地为准)分为4类,1表示“华东地区”,2表示“华中地区”,3表示“华南地区”,4表示“其它”。
本文中所有因子Cornbrash's α值、因子负荷、CR值和AVE值均达到要求,如表2所示。Harman单因子分析发现,主成分分析共提取7个因子,未旋转得到的第一个主成分占27.80%,未超过40%的临界值。由此可见,本文共同方法偏差得到了较好的控制。验证性因子分析发现,7因子模型的拟合度最高:χ2/df=1.465,CFI=0.904,TLI=0.906,RMSEA=0.051,SRMR=0.060。由此可见,虽然RMSEA大于0.05,但小于0.08的接受标准。因此,变量间具有较高的区分效度。
表2 验证性因子分析结果
Table 2 Confirmatory factor analysis results
注:BDAD“大数据采纳”,BDRT“大数据常规化”,BDAS“大数据同化”,RI“资源整合”,EHRM“以赋权为中心的HRM”,EI“内部创业”,FI“企业创新”
模型χ2/dfCFITLIRMSEASRMR七因子模型:BDAD;BDRT;BDAS;RI;EHRM;EI;FI1.4650.9040.9060.0510.060六因子模型:BDAD;BDRT;BDAS;RI;EHRM;EI+FI1.7500.8120.8000.0650.069五因子模型:BDAD;BDRT;BDAS;RI;EHRM+EI+FI2.2810.6770.6580.0860.097四因子模型:BDAD;BDRT;BDAS;RI+EHRM+EI+FI2.4270.6390.6190.0900.100三因子模型:BDAD+BDRT;BDAS;RI+EHRM+EI+FI2.5170.6150.5950.0930.101两因子模型:BDAD+BDRT+BDAS;RI+EHRM+EI+FI2.7480.5510.5290.0960.101单因子模型:BDAD+BDRT+BDAS+RI+EHRM+EI+FI2.8430.5310.5080.1030.106
相关分析发现,大数据采纳、大数据常规化和大数据同化与企业创新显著正相关(r=0.415,p<0.001;r=0.387,p<0.001;r=0.429,p<0.001),大数据采纳、大数据常规化和大数据同化与资源整合显著正相关(r=0.437,p<0.001;r=0.477,p<0.001;r=0.399,p<0.001);大数据采纳、大数据常规化和大数据同化与内部创业显著正相关(r=0.390,p<0.001;r=0.363,p<0.001;r=0.355,p<0.001);资源整合与内部创业显著正相关(r=0.578,p<0.001);资源整合与企业创新显著正相关(r=0.595,p<0.001);内部创业与企业创新显著正相关(r=0.57,p<0.001)。变量间相关关系检验结果如表3所示。
表3 变量均值、标准差及相关分析结果
Table 3 Means, standard deviations and correlation analysis of variables
注:N=173;* p<0.05,** p<0.01,*** p<0.001,双尾检验
变量12345671.大数据采纳2.大数据常规化0.344∗∗∗3.大数据同化0.155∗0.271∗∗∗4.资源整合0.437∗∗∗0.477∗∗∗0.399∗∗∗5.内部创业0.390∗∗∗0.363∗∗∗0.355∗∗∗0.578∗∗∗6.以赋权为中心的HRM0.0290.178∗0.164∗0.233∗∗0.254∗∗7.企业创新0.415∗∗∗0.387∗∗∗0.429∗∗∗0.595∗∗∗0.557∗∗∗0.286∗∗∗均值3.6633.5743.5783.5563.6473.5063.538标准差0.5990.5090.5340.5980.6010.5810.574
(1)直接效应假设检验。通过Mplus分析发现,大数据采纳对企业创新的直接效应为0.396(95%CI[0.260,0.532]),大数据常规化对企业创新的直接效应为0.432(95%CI[0.272,0.592]),大数据同化对企业创新的直接效应为0.462(95%CI[0.314,0.609])。上述区间均不包含0,具体检验结果如表4所示。因此,假设H1a、H1b和H1c得到验证。
表4 直接效应检验结果
Table 4 Direct effect test results
注:如果区间下限到区间上限不包括0,则说明效应显著,反之则不显著
效应类型路径效应值标准误区间下限区间上限直接效应1大数据采纳→企业创新0.3960.0690.2600.532直接效应2大数据常规化→企业创新0.4320.0810.2720.592直接效应3大数据同化→企业创新0.4620.0750.3140.609
(2)中介效应假设检验。本文使用Bootstrap方法进行中介效应检验(见表5),结果发现:大数据采纳通过资源整合对企业创新的间接影响效应为0.149(95%CI[0.089,0.224]);大数据常规化通过资源整合对企业创新的间接影响效应为0.197(95%CI[0.112,0.301]);大数据同化通过资源整合对企业创新的间接影响效应为0.151(95%CI[0.088,0.225]),上下区间不包含0,说明资源整合发挥中介作用,假设H2a、H2b和H2c得到验证。此外,本文发现,大数据采纳通过内部创业对企业创新的间接影响效应为0.048(95%CI[0.031,0.103]);大数据常规化通过内部创业对企业创新的间接影响效应为0.043(95%CI[0.007,0.098]);大数据同化通过内部创业对企业创新的间接影响效应为0.047(95%CI[0.012,0.096]),上下区间不包含0,说明内部创业发挥中介作用,假设H3a、H3b和H3c得到验证。
表5 中介效应检验结果
Table 5 Mediating effect test results
注:如果区间下限到区间上限不包括0,则说明效应显著,反之则不显著
效应类型路径效应值标准误差区间以资源整合为中介间接效应1大数据采纳→企业创新0.1490.034[0.089,0.224]间接效应2大数据常规化→企业创新0.1970.048[0.112,0.301]间接效应3大数据同化→企业创新0.1510.034[0.088,0.225]以内部创业为中介间接效应4大数据采纳→企业创新0.0480.017[0.031,0.103]间接效应5大数据常规化→企业创新0.0430.022[0.007,0.098]间接效应6大数据同化→企业创新0.0470.021[0.012,0.096]
(3)链式中介效应检验。由表6可知,大数据采纳通过资源整合→内部创业这一链式中介对企业创新的间接影响效应为0.058(95%CI[0.031,0.103]),大数据常规化通过资源整合→内部创业这一链式中介对企业创新的间接影响效应为0.082(95%CI[0.042,0.139]),大数据同化通过资源整合→内部创业这一链式中介对企业创新的间接影响效应为0.061(95%CI[0.012,0.096])。以上区间不包含0,说明资源整合和内部创业发挥链式中介作用。综上所述,假设H4a、H4b和H4c得到验证。
表6 链式中介效应检验结果
Table 6 Serial mediating effect test results
注:如果区间下限到区间上限不包括0,则说明效应显著,反之则不显著
效应类型路径:以资源整合→内部创业为中介效应值标准误差区间间接效应大数据采纳→企业创新0.0580.017[0.031,0.103]间接效应大数据常规化→企业创新0.0820.024[0.042,0.139]间接效应大数据同化→企业创新0.0610.021[0.012,0.096]
(4)调节效应检验。由表7可知,在低水平以赋权为中心的人力资源管理下,资源整合对内部创业的效应值为0.313(95%CI[0.105,0.520]),在高水平以赋权为中心的人力资源管理下,资源整合对内部创业的效应值为0.651(95%CI[0.501,0.802])。虽然以上区间均不包含0,但在以赋权为中心的人力资源管理水平提升过程中,资源整合对内部创的影响越来越显著(P值从0.003下降到0.000)。综上可知,以赋权为中心的人力资源管理具有调节作用,假设H5成立。
表7 调节效应检验结果
Table 7 Moderating effect test results
注:如果区间下限到区间上限不包括0,则说明效应显著,反之则不显著
路径:资源整合→内部创业效应值标准误P值区间低水平以赋权为中心的HRM0.313∗∗0.1050.003[0.105,0.520]中等水平以赋权为中心的HRM0.482∗∗∗0.0670.000[0.348,0.616]高水平以赋权为中心的HRM0.651∗∗∗0.0760.000[0.501,0.802]
(1)大数据能力基于资源整合这一企业层面的资源编排行为对企业创新产生积极影响。通过大数据采纳、大数据常规化和大数据同化过程,企业在各部门与关键战略领域构建基于大数据分析技术的决策采纳程序,培育基于大数据分析技术的科学决策能力,进而在动荡环境中识别外部风险并获得市场资源。借助大数据分析技术,企业可以科学配置资源,从而获得竞争优势。
(2)大数据能力基于内部创业这一个体层面的资源编排行为对企业创新产生积极影响。这一结论说明,员工需要依靠企业大数据能力获得市场资源和信息,这是其内部创业的重要决策依据,而内部创业活动能够进一步盘活企业资源,激发企业创新活力。
(3)大数据能力通过链式资源编排对企业创新产生促进作用。这一结论说明,企业可以借助大数据能力进行资源编排活动,员工基于企业资源编排所产生的创业信息资源实现内部创业,并通过内部创业活动重新配置资源、激发组织活力,进而促进企业创新。
(4)以赋权为中心的人力资源管理在资源整合与内部创业间发挥正向调节作用。这一结论表明,赋权行为可以增强内部创业者自我效能感,而具有高度自主性的创业员工能够独立控制和利用内外部信息资源,进而实现组织与个人目标。
(1)本文进一步揭示了不同维度下大数据能力对企业创新的影响。企业可以借助大数据能力有效识别关键资源,并将其配置到内部关键领域,这一结论证明了Ghasemaghaei[3]、Wamba等[18]以及El-Kassar & Singh[20]的研究观点。在现有研究的基础上,本文探讨了大数据能力不同维度对企业创新的影响机制,进一步阐述了大数据能力与企业创新的关系。
(2)本文基于新的理论视角揭示了大数据能力对企业创新的作用机制,拓展了这一领域的相关研究。资源编排理论强调企业通过适应、更新、重新配置、重新创造资源和核心能力应对外部变化的行为导向。在数字化与组织生态化过程中,作为高阶动态能力的大数据能力需要得到高度重视,企业层面的资源整合实践和个体层面的内部创业则是企业获得持续竞争优势的重要实践。
(3)本文揭示了以赋权为中心的人力资源管理在资源整合与内部创业间的边界作用,拓展了内部创业与资源编排理论研究。虽然企业可以借助大数据能力为员工内部创业提供必要的创业信息,但内部创业这种前瞻性行为应被授予更大的权力。因此,本文支持学者有关“组织授权赋能对员工创新实践具有建设性作用”的研究观点[14,22]。
(1)企业要重视大数据能力建设并合理利用大数据分析技术。数字时代背景下,大数据信息采集能力是企业获得持续竞争优势的重要指标。因此,企业需要建立自己的大数据资源库,提高自身数字化能力。具体而言,企业不仅需要重视大数据整合与管理能力,而且需要将大数据能力融合到产品与服务创新流程之中,从而提升大数据处理技术。此外,企业需要采用招聘或技术培训方式组建专业技术团队,为员工开发可用的大数据平台,以此作为最新创业信息与市场情报获取渠道。
(2)企业需要提供多种资源编排途径,借助大数据能力推动创新成果转化。企业不仅需要重视大数据能力构建,而且需要借助大数据能力将资源转化为企业产品与服务。此外,企业应加大内部创业投资力度,提升员工创造力和创业精神。企业应重视员工创业精神培养,鼓励商业冒险和创新。例如,企业可以通过创业咨询、赋予员工创业自主权等方式激发内部创业行为。为了鼓励员工创新,企业可以提供创业技能学习途径,为潜在内部创业员工提供指导。
(3)企业应重视以赋权为中心的人力资源管理。随着平台化组织出现,组织赋权越来越受到重视。本文认为,以赋权为中心的人力资源管理是可行方式。企业需要适当为员工赋能授权,提高员工内部人身份认知水平,帮助员工独立决策。值得注意的是,企业可以不定期地评估员工创新产出情况,并根据结果及时作出动态调整,使以赋权为中心的人力资源管理真正发挥作用。
(1)资源整合与内部创业可能不是唯一的传递机制。因此,本文呼吁后续研究可以基于创新扩散理论或组织生态理论,进一步探讨大数据能力对企业创新的影响机制。同时,未来可以采用案例研究方法剖析大数据能力、资源整合、内部创业和企业创新的关系,进一步深化对大数据能力与企业创新关系的理解。
(2)本文结论的可靠性和普适性有待进一步验证。本文研究数据主要为华南、华东和华中等地平台型企业数据,后续需要基于更为广泛的数据验证研究结论的可靠性。此外,后续可以基于不同经济体开展对比分析,以提升研究结论的普适性。
[1] 李文博.大数据驱动情景下数字创业商业模式创新关键影响因素——话语分析方法的一项探索性研究[J].科技进步与对策,2022,39(16):67-76.
[2] 许芳,田萌,徐国虎.大数据应用能力对企业创新绩效的影响研究——供应链协同的中介效应与战略匹配的调节效应[J].宏观经济研究,2020,42(3):101-119.
[3] GHASEMAGHAEI M, CALIC G. Assessing the impact of big data on firm innovation performance: big data is not always better data[J].Journal of Business Research, 2020, 108: 147-162.
[4] KIRON D, PRENTICE P K, FERGUSON R B. The analytics mandate[J].MIT Sloan Management Review, 2014, 55(4): 1-25.
[5] GUPTA S, QIAN X, BHUSHAN B, et al. Role of cloud ERP and big data on firm performance: a dynamic capability view theory perspective[J].Management Decision, 2018, 57(8): 1857-1882.
[6] MIKALEF P, KROGSTIE J, PAPPAS I O, et al. Exploring the relationship between big data analytics capability and competitive performance: the mediating roles of dynamic and operational capabilities[J].Information &Management, 2020, 57(2): 103169.
[7] FERRARIS A, MAZZOLENI A, DEVALLE A, et al. Big data analytics capabilities and knowledge management: impact on firm performance[J].Management Decision, 2018, 57(8): 1923-1936.
[8] ASIAEI K, BONTIS N, ZAKARIA Z. The confluence of knowledge management and management control systems: a conceptual framework[J].Knowledge and Process Management, 2020, 27(2): 133-142.
[9] SIRMON D G, HITT M A, IRELAND R D. Managing firm resources in dynamic environments to create value: looking inside the black box[J].Academy of Management Review, 2007, 32(1): 273-292.
[10] 万文海,刘龙均.员工与用户内外协同对平台企业创新绩效的影响:基于价值共创视角[J].南开管理评论,2021,24(2):72-84.
[11] 李宇,马征远.大企业内部创业“裂生式”与“创生式”战略路径——基于海尔和思科的双案例研究[J].中国工业经济,2020,38(11):99-117.
[12] REIBENSPIESS V, DRECHSLER K, ECKHARDT A, et al. Tapping into the wealth of employees' ideas: design principles for a digital intrapreneurship platform[J].Information &Management, 2020, 59(3): 103287.
[13] BLANKA C. An individual-level perspective on intrapreneurship: a review and ways forward[J].Review of Managerial Science, 2019, 13(5): 919-961.
[14] WAN W, LIU L, WANG X. How user-driven innovation and employee intrapreneurship promote platform enterprise performance[J].Management Decision, 2020, 58(2): 2705-2723.
[15] GAWKE J C, GORGIEVSKI M J, BAKKER A B. Measuring intrapreneurship at the individual level: development and validation of the Employee Intrapreneurship Scale (EIS)[J].European Management Journal, 2019, 37(6): 806-817.
[16] SEIBERT S E, SILVER S R, RANDOLPH W A. Taking empowerment to the next level: a multiple-level model of empowerment, performance, and satisfaction[J].Academy of Management Journal, 2004, 47(3): 332-349.
[17] VAN DE VOORDE K, VELD M, VAN VELDHOVEN M. Connecting empowerment-focused HRM and labour productivity to work engagement: the mediating role of job demands and resources[J].Human Resource Management Journal, 2016, 26(2): 192-210.
[18] 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.
[19] 李文,张珍珍,梅蕾.企业网络、大数据能力与商业模式创新机制研究——基于fsQCA方法的实证分析[J].科技进步与对策,2022,39(1):121-131.
[20] EL-KASSAR A N, SINGH S K. Green innovation and organizational performance: the influence of big data and the moderating role of management commitment and HR practices[J].Technological Forecasting and Social Change, 2019,144:483-498.
[21] 龙静,柳汝泓,刘龙均.低权高位者为何不能“知无不言”——知识隐藏的认知和情感双路径研究[J].经济管理,2023,45(3):107-124.
[22] MOGHADDAS S Z, TAJAFARI M, NOWKARIZI M. Organizational empowerment: a vital step toward intrapreneurship[J].Journal of Librarianship and Information Science, 2020, 52(2): 529-540.
[23] HAZEN B T, OVERSTREET R E, CEGIELSKI C G. Supply chain innovation diffusion: going beyond adoption[J].The International Journal of Logistics Management, 2012, 23(1): 119-134.
[24] LIANG H, SARAF N, HU Q, et al. Assimilation of enterprise systems: the effect of institutional pressures and the mediating role of top management[J].MIS Quarterly, 2007, 31(1): 59-87.
[25] 董保宝,葛宝山,王侃.资源整合过程、动态能力与竞争优势:机理与路径[J].管理世界,2011,27(3):92-101.
[26] BOON C, DEN HARTOG D N, BOSELIE P, et al. The relationship between perceptions of HR practices and employee outcomes: examining the role of person—organisation and person-job fit[J].The International Journal of Human Resource Management, 2011, 22(1): 138-162.
[27] 唐勇.社会资本对创新型产业集群企业持续创新影响研究[D].广州:华南理工大学,2016.
[28] WAN W, LIU L. Intrapreneurship in the digital era: driven by big data and human resource management[J].Chinese Management Studies, 2021, 15(4): 843-875.