This paper explores the mechanism of big data capability on the entrepreneurial performance of new ventures based on the dynamic capability theory and knowledge-based view theory. New ventures founded more than 1 year but less than 8 years ago are chosen as the research object with 212 valid survey data. By constructing a theoretical model with knowledge coupling as the mediator variable and IT—business strategy alignment as the moderator variable, it analyzes the mediating mechanism and boundary conditions of different knowledge coupling modes on the survival and growth of new ventures. The results show that big data capability has a positive impact on knowledge coupling and entrepreneurial performance of new ventures, and it can also affect the entrepreneurial performance of new ventures through the mediating role of knowledge coupling. Complementary knowledge coupling is inversely U-shaped with entrepreneurial survival performance, and alternative knowledge coupling is positively correlated with entrepreneurial growth performance. The IT—business strategy alignment positively moderates the relationship between big data capability and knowledge coupling.
The theoretical contributions of this paper lie in three aspects. First, it introduces big data capability to the survival and growth of new ventures, and confirms that big data capability has a positive impact on entrepreneurial performance. This conclusion enriches the relevant research on the mechanism of big data capability on entrepreneurial performance, and also provides positive theoretical support for further solving the "IT paradox". Second, this paper reveals the mediating mechanism of knowledge coupling in different configurations between big data capabilities and entrepreneurial performance of new ventures. According to the dynamic capability theory, for complementary knowledge, big data capability improves the opportunity identification and business capture of knowledge resources for new enterprises; for alternative knowledge, acquiring knowledge in similar fields within the existing product niche can help improve the level of specialization and innovation depth of knowledge. While complementary knowledge coupling and entrepreneurial survival performance have an inverted U-shaped path relationship, alternative knowledge coupling is conducive to the continuous improvement of enterprise competitiveness. This conclusion enriches the research on relevant mechanisms of knowledge coupling. Finally, this paper clarifies the moderating role of IT—business strategy alignment between big data capability and knowledge coupling, and finds that IT—business strategy alignment can positively moderate the relationship between big data capability and knowledge coupling, which further expands the theoretical boundary conditions of the relationship between big data capability and knowledge coupling.
开放科学(资源服务)标识码(OSID)：
随着数字经济发展,数据已经成为继土地、劳动力和资本之后影响社会经济发展的新兴生产要素[1]。大数据革命在推动后发创业者实现知识、产品及商业模式创新赶超的同时,极大地加剧了经济环境复杂性和不确定性。大数据驱动背景下,新创企业如何通过数据引力抢抓创业机遇,提高知识资源交互整合效率、规避竞争威胁,成为其生存与成长过程中亟需解决的问题。2015年8月,国务院印发《促进大数据发展行动纲要》,强调“加快建设数据强国,以数据流引领技术流、物质流、资金流、人才流,运用大数据技术整合搭建脉络清晰、覆盖广泛、内容准确的知识库群,激发创业活力”。《促进大数据发展行动纲要》的落地,标志着以大数据为代表的技术变革为传统产业升级和新创企业发展带来新机遇。相关研究指出,大数据对新创企业与创业团队实践行为具有重要影响,大数据的海量信息和高附加值能够帮助创业者在探索商业动态、优化决策等方面建立先发优势并形成商业洞见[2]。大数据驱动下的创业活动实质是技术嵌入行为。例如,云丛科技通过融入大数据分析实现多元重组,打通从技术到产品再到市场的云通道。随着创业者信息获取渠道进一步细化,大数据成为创业者诊断社会需求、获取网络资源的主要方式。但需要指出的是,在大数据驱动下,新创企业也面临着数据挤压、知识迭代等考验[3]。因此,有必要探讨大数据能力对创业活动的影响。
近年来,学者们围绕大数据与创业活动的关系开展了深入研究。例如,Brands[4]提出,可以借助大数据分析整合创业资源;Paschou等[5]认为,大数据分析能显著提高企业信息价值,强调通过数据透镜优化绩效与决策;Reibenspiess等[6]认为,大数据平台能够较好地激励员工内部创业。此外,数据泛滥带来的质量问题以及效益评估程序缺乏,使部分学者认为技术投资带来的大数据能力增益并不一定能促进企业创新能力提升或实现创业决策优化。例如,Yang等[7]认为,大数据资源并不能直接驱动创新,企业只有具备数据清洗等数据处理能力,才能体现出数据的可用性和易用性;唐斌等[8]认为,平台创业企业需要提高大数据商业价值和经验性知识挖掘能力,以此激活创造力。上述研究从多个理论视角论述了大数据对创业的“双刃剑”效应,强调大数据并不等同于价值本身,只有将大数据资源转化为企业能力才能对创业活动产生积极影响[9],从而为大数据能力与创业绩效关系研究奠定了基础。
对于创业者而言,初期资源短缺和知识基础不足会加剧创业效益的未知性。因此,创业者需要建立高效的知识整合处理程序,帮助企业快速适应环境变化。当自身知识基础难以组合出新的技术点时,新创企业会将知识耦合视为联通知识池之间关系的纽带。“耦合”是指两个或多个系统之间相互依赖的关系。Yayavaram & Chen[10]认为,知识耦合是指处于不同技术领域知识元素通过组合交互方式生产新知识的过程,能够反映企业不同技术领域知识组合、重构的相互作用程度。已有部分文献将知识耦合与创业活动联系起来。例如,Caner&Tyler[11]指出,将不同技术领域中具有特定属性的知识整合与重构有利于创业者突破创业约束;Gkypali等[12]提出,较高的知识组合能力有助于加快企业反应速度,进而降低资源冗余与创业难度;Carlo等[13]肯定了知识耦合在企业整合与重构不同知识池关系时的积极作用。从研究脉络看,学者们对“知识耦合—创业绩效”关系的探讨存在局限性,并未基于动态能力视角揭示知识耦合对创业行为影响的“黑箱”。现有研究发现,大数据能力作为承载数据感知、整合与分析的低阶能力,是构成高阶动态能力的基础[14]。Teece等[15]认为,企业动态能力的本质是对资源的整合和重构。知识基础观理论认为,知识是企业发展的根本性资源,故知识要素耦合是企业维持竞争优势的核心能力。创业者依托大数据技术,能够帮助企业在海量非结构数据中准确识别价值信息、优化知识转化流程,实现知识整合重构,进而展现由低阶大数据能力到动态知识耦合的理论图景。此外,创业者在大数据能力构建过程中不仅需要技术支持,而且面临技术与业务匹配问题[16]。企业需要通过IT与业务战略协同匹配提高资源整合效率,使IT人员与业务管理者在磨合中达成战略共识。
综上,本文基于动态能力理论与知识基础观,探讨大数据能力对新创企业创业绩效的作用机理,构建以知识耦合为中介变量,以IT-业务战略匹配为调节变量的理论模型,分析不同知识耦合方式对创业生存与成长的作用机制及边界条件,进一步丰富中国情境下新创企业知识耦合机制研究。
2010年,李新春等[17]首次系统提出“创业生存”与“创业成长”的概念,认为随着创业企业从初创期到稳定期的成长,创业战略目标由创业生存转化为有意识的创业成长。Chrisman等[18]指出,新创企业必须先存活下来,然后逐步壮大成长以适应竞争环境,故创业绩效应划分为生存和成长两个维度。创业生存绩效代表新创企业在未来一段时间内实现持续经营目标的可能性,创业成长绩效代表财务指标数据与盈利潜能增长。初创期企业具有高资源依赖性和低稳定性,其生存挑战主要体现在机会识别、资源获取等方面,因而有效发掘并识别资源成为创业生存的前提。进入成长期后,企业将经营目标放在市场扩张、降本增效等方面,销售增长、市场占比等数据指标成为衡量创业成长与市场竞争力的最佳选择。
数字经济时代下,大数据与创业绩效关系紧密。大数据能力作为感知、整合、预测和应用数据资源的能力,可以帮助创业者识别创业机遇并实现战略目标。根据动态能力理论,企业通过低阶能力(如大数据能力)产生的资源是高阶能力形成(如知识耦合、企业生存与成长能力)的重要基础。在商业开发中,创业者常因为信息不对称和洞察能力不足导致决策偏误,甚至创意流产。大数据能力可以帮助企业广泛收集数据与信息,通过资源调度与信息整合实现创业生存所需的合法性构建和知识积累[19],以及创业成长所需的组织能力和竞争优势[20]。创业初期,大数据能力的价值体现为帮助企业识别创业方向和建立资源渠道,加强与其它市场主体间的弱关联,短时间内掌握资源分布、产品定价、消费者偏好等重要信息,进而制定合理的创业生存战略,为快速预判市场需求提供先机。创业成长期,大数据能力带来的信息优势有助于企业降低知识交易成本,通过与其它市场主体建立的强关系及时获取大数据情报,以持续稳定的产品生产和服务保障活跃于市场前沿,进而实现创业成长。此外,Wamba等[21]发现,大数据预测能力可以改变创业者价值传递方式。有别于向消费者“被动式”产品价值灌输方式,大数据作为科学洞察依据能够帮助企业将捕获的潜在需求和轨迹数据融入“信息筛别—知识交互—产品测验—市场反馈”动态流程,从而塑造契合新创企业生存与成长的价值传递模式。由此,本文提出如下假设：
H1a：大数据能力对新创企业创业生存绩效具有正向影响;
H1b：大数据能力对新创企业创业成长绩效具有正向影响。
Hagstrom[22]认为,大数据代表知识资产的新范式,能够确保企业竞争优势不再具有可模仿性。大数据时代,面对消费者日益增长的知识需求,知识耦合成为创业者整合知识结构和重塑创业边界的可行方案。具有较高耦合度的企业善于利用跨域知识进行搜索,从而推动知识基础组合与重构。区别于不以技术领域为介质的知识整合,知识耦合是企业对技术领域间知识进行关联与组合的行为,具有动态性和主观性。例如,Menguc等[23]认为,企业突破组织与技术的双重边界对不同领域知识进行耦合,有助于实现突破式创新。借鉴Colombelli等[24]的研究成果,本文基于新领域知识和已有知识基础构成将知识耦合划分为互补性知识耦合与替代性知识耦合,将互补性知识耦合定义为创造新知识的知识片段在已有技术领域的相补程度,将替代性知识耦合定义为所使用的知识片段在已有技术领域的接近程度。
知识资源是企业动态能力的基本单元,也是竞争优势的核心要素。大数据能力可以通过驱动知识资源向高阶知识耦合转化而塑造优势[25]。首先,大数据能力能够通过数据感知对不同技术领域知识进行探索,高效、快捷地识别互补性知识和替代性知识的应用价值。大数据时代,技术能力迭代演进对企业知识管理提出了更高的要求。企业需要在大数据能力持续变革中重新审视和设计知识耦合模式,通过对知识资源进行多样化匹配和智能处理优化知识结构,从而确保互补性知识与替代性知识的前沿性和创新性。其次,大数据能力能够提升企业对新旧知识交互的容纳度。Agostino等[26]认为,大数据能力可以促进企业知识更新。由此,企业通过深度挖掘和搜索跨域知识,将已获取的知识与自身知识高效耦合,提高知识筛选、组合和利用效率,从而降低知识交易成本和创新研发风险。最后,大数据能力可以通过预测和洞察完成高阶能力建设的“最后一公里”,对整合后知识的再分析有助于对耦合知识生产前的筛查和商业应用,进而推动跨域知识耦合价值升级。对消费者需求图景的预测能够促使企业不断发掘以产品为载体的知识组合价值传递渠道,进而强化创业者的商业洞察能力。此外,知识耦合要求企业具备一定的知识基础,大数据不一定能够促进不同技术领域知识交互,因而企业需要将技术储备升级为动态能力后在循环交互中实现耦合。由此,本文提出如下假设：
H2a：大数据能力对互补性知识耦合具有正向影响;
H2b：大数据能力对替代性知识耦合具有正向影响。
进入新技术领域实现知识探索是新创企业提高创业竞争力的重要途径,接触新的知识源能够帮助企业获取自身范围外的知识。对初创期企业而言,探索新技术领域是创业生存必须解决的问题,代表从0到1的过程。但在搜索过于宽泛、组合经验匮乏等条件约束下,新技术领域的探索并不意味着能够直接改善创业成效,创业者极易作出错误研判而导致“首战”失利。因此,企业需要将新知识与自身知识基础进行整合以识别技术发展趋势和商业契机,进而降低知识耦合的不确定性风险。
一方面,互补性知识耦合有助于引导新创企业找到有效切入点。Ryoo&Kim[27]认为,互补性知识耦合能够引导企业将自身欠缺的外部知识化为己用。相较于成长期,初创期企业出于生存需求能够更理性地判断与知识基础相契合的知识池,并与之建立联系。因此,互补性知识利基能够对新创企业生存发展发挥推动作用。另一方面,新创企业对互补领域知识的组合重构有助于知识融合,进而构建独特的创业体系。通过主动与互补性知识建立技术关联和知识组合,企业可以嵌入市场互补资源网络,加快知识结构更新速度并提高创意引进频率,从而不断驱动知识组合创新。通常情况下,初创期企业对新兴市场的占有并不意味着创业成功。产品需求小众化、溢价空间有限导致先发企业不愿涉入边缘市场,说明企业通过互补性知识耦合建立的生存优势薄弱。互补性知识耦合能够夯实企业现有知识基础,但对互补性知识过度依赖容易造成创意“多而不精”的创业惰性和路径依赖,进而产生臃肿的耦合关系和较高的交易成本。研究表明,对限定领域知识过度挖掘会加大知识协同难度,从而降低知识消化速度[28]。因此,初创期企业若不谋求创业转型则可能面临被后发企业赶超的风险,最终落入创业“生存陷阱”。由此,本文提出如下假设：
H3a：互补性知识耦合与新创企业创业生存绩效呈倒U型关系。
替代性知识具有较高的启发性与共通性[29],在小范围市场建立生存基础后,新创企业通常会尝试以替代性知识与产品向主流市场靠拢,通过跨越市场攫取更多利益,实现从初创期到成长期的过渡。在创业成长阶段,企业不能仅依赖于互补性知识,应更多考虑地消费者、供应商等利益相关者的核心需求,在专有业务领域深耕。因此,新创企业需要适当地采取替代搜索策略。
成长阶段,新创企业战略目标从生存转向成长。相较于初创期绩效表现,创业者更关心替代性产品在利益网络中的竞争力与合作机遇。因此,成长期企业倾向于搜索、整合相近领域知识,在拓展知识基础的同时,降低知识交易成本和学习成本,从而提升组织学习效率。首先,替代性知识耦合能够强化企业间认知相向性,使双方具有更为广阔的合作基础与交互学习空间,有助于深化企业对知识范畴、技术发展趋势的理解,从而为创业成长提供方向[30]。其次,创业者利用已有知识基础开展研发工作,对自身知识体系较为熟悉。因此,在使用替代性知识进行耦合研发时,创业者清楚哪些替代性知识能够创造出具有市场价值的产品[31]。最后,成长期的竞争压力会驱使企业吸收、重构利益相关者的替代性知识资源,加速内部知识更新,进而在一定程度上推动企业研发、生产、营销流程改造,以此激发创业成长。成长期,企业需要依托替代性知识对已有知识基础进行迭代,以此实现知识结构优化并推出符合市场预期的产品。因此,新创企业只有不断突破现有创业边界,依托自身知识体系与知识基础创造更多有价值的知识组合,才能塑造创业成长优势和持久性。由此,本文提出如下假设：
H3b：替代性知识耦合对新创企业创业成长绩效具有正向影响。
新创企业利用大数据能力促使数据资源向知识资源转化,形成互补性知识与替代性知识的高阶耦合能力,从而实现创业生存与成长。易法敏和朱洁[32]认为,创业企业需要构建包含互补性资源与替代性资源的大数据生态,以便在知识创新过程中利用数字技术快速调取知识基础。
一方面,新创企业可以借助大数据能力将消费者需求整合到知识搜索与组合过程中,通过互补性知识耦合将无序的互补性知识与已有知识进行组合,激发创业者的创意思维,缩小组织内部与市场环境的知识势差,促进互补性知识与已有知识基础融合,并通过知识组合重构探寻市场需求痛点,从而实现有效创业切入。但随着互补性知识耦合深入,新创企业对互补性知识过分依赖会产生负面效应,导致创业活动中出现大量“多而不精”的创意,引发创业惰性和路径依赖,因而不利于创业生存。
另一方面,大数据能力是企业预测市场趋势的重要能力。进入成长阶段,新创企业需要加强对主流市场的占领,通过替代性知识耦合将与自身知识基础相近的领域知识作为搜索目标,并通过获取现有产品利基内的外部知识提升专业化水平、拓展知识创新深度,进而提高对现有产品序列的深耕能力与收益预期。同时,替代性知识耦合代表企业对知识基础的缝合能力,缝合能力越强说明企业掌握的同质性知识越有利于创业价值开发。由此,本文提出如下假设：
H4a：互补性知识耦合在大数据能力对创业生存绩效影响过程中发挥中介作用。
H4b：替代性知识耦合在大数据能力对创业成长绩效影响过程中发挥中介作用。
IT-业务战略匹配是企业应用IT技术的高级阶段,是指企业信息技术战略与业务战略相互支持、相互关联的能力[33]。在驱动知识耦合过程中,大数据能力呈现的超前性和新生性往往会超出利益相关者的接受范围[9],而IT-业务战略匹配能够提升大数据应用与自身业务发展的契合度,从而为知识耦合提供高质量资源。IT-业务战略匹配对大数据能力与知识耦合关系的调节作用体现在以下方面：一方面,新创企业战略动向直接关系到其对资源的需求水平与统筹能力。大数据技术与战略目标协同能够提高资源使用效率,帮助企业更具针对性地布局技术方向以促进机会识别与知识交互[34]。因此,知识耦合作为业务战略能否通过IT-业务战略与资源建立匹配关系,大数据能力在其中发挥关键作用。另一方面,IT人员与业务管理者对创业目标、计划的理解与承诺能够帮助企业快速锚定并整合所需的互补性知识及替代性知识[35],进而为业务发展提供高效的数据支撑,减少因资源错配而导致的无效耦合,强化资源应用的靶向性。在技术与业务双重框架下,战略匹配可以更好地实现由大数据能力带来的知识组合收益及市场占有率等经济效益提升。由此,本文提出如下假设：
H5：IT-业务战略匹配正向调节大数据能力与互补性知识耦合、替代性知识耦合的关系。
综上所述,本文构建研究理论模型如图1所示。
图1 理论概念模型
Fig.1 Theoretical model
本文采用问卷调查方法收集数据,参考何会涛、袁勇志[36]的研究成果,按照“创业企业年龄大于1年但不超过8年”的标准筛选新创企业样本。为确保被试者能够全面理解调查内容,选取新创企业创始人、高层管理者和分管业务部门的中层管理人员作为问卷发放对象,因为中高层管理人员对企业技术能力、知识储备情况具有较为清晰的认知。
本文数据来源如下：2022年7月,依托第十四届苏州国际精英创业周高层次人才猎聘会活动现场进行问卷发放与回收,发放问卷56份,回收问卷53份,剔除不符合要求的问卷后,剩余有效问卷47份。2022年5月,借助苏州人力资源和社会保障局举办的创业者座谈会,现场发放问卷22份,回收有效问卷22份。2021年10～12月,通过E-mail和微信与MBA校友群联络,发放问卷224份,回收问卷165份,剔除填不符合要求的问卷后,剩余有效问卷143份。综上,本研究共发放问卷302份,有效问卷212份,问卷有效率为70.20%,样本企业主要分布于上海、苏州、杭州等长三角城市,分布特征如表1所示。
表1 样本企业分布情况
Table 1 Distribution of sample enterprises
类别样本量百分比(%)企业规模≤ 20人178.0221～50人3315.5751～100人6329.72101～200人5827.36>200人4119.34创业年限1～3年6530.663～5年10248.115～8年4521.23所处行业生物医药2411.32信息软件3516.51新能源2210.38新材料3717.45高端装备制造5124.06节能环保2712.74其它167.55企业性质国有企业125.66民营企业18587.26其它157.08
本文理论模型包括大数据能力、互补性知识耦合、替代性知识耦合、创业生存绩效、创业成长绩效和IT-业务战略匹配6个变量。借鉴国外成熟量表,采用正反翻译法确保本文题项能够准确反映量表含义,问卷采用Likert 7点量表。大数据能力(DC)测量采用Wamba等[21]的研究量表,共9个题项;知识耦合测量采用Ryoo&Kim[27]、Tanriverdi& Venkatraman[29]的研究量表,分为互补性知识耦合(CC)和替代性知识耦合(CA)两个维度,各5个题项;新创企业创业绩效测量采用Gerschewski & Xiao[37]的研究量表,分为创业生存绩效(PS)和创业成长绩效(PG)两个维度,其中创业生存绩效维度包含3个题项,创业成长绩效维度包含4个题项;IT—业务战略匹配(SA)采用Karahanna&Preston[38]的研究量表,共3个题项。具体测量题项如表2所示。根据前人研究,本文选取企业规模(Size)、创业年限(Year)、所处行业(Industry)和企业性质(Nature)作为控制变量并赋予不同数值,以提高模型饱和度。
表2 信度与聚合效度检验结果
Table 2 Reliability and aggregation validity tests
变量测量题项Cronbach's α值AVECR大数据能力公司能够获取大量、非结构化和实时数据进行分析0.8360.5170.894公司能够将多种来源数据集成到数据仓库以便于访问公司能够收集、整理和转换数据并提供分析视图公司能够对不同形态的海量数据进行差异化处理公司大部分决策依赖于大数据分析支持公司能基于大数据实现对市场的时势洞察公司能基于大数据实现对竞争环境的准确预测公司能基于大数据对消费者行为和企业舆论进行预测公司通过大数据分析挖掘出新的业务创新机遇互补性知识耦合合作伙伴在业务规划方面具有独特的经验和知识0.8270.5600.864合作伙伴的规划相关知识经验可用于公司新业务开发合作伙伴在业务运营方面具有独特的经验和知识合作伙伴的运营相关知识经验可用于公司业务发展公司通过对外合作获取的技能和知识填补了领域空白替代性知识耦合公司通过合作获得的研发技能和知识解决了技术难题0.8250.5560.862公司通过合作获得的专业技能和知识有利于运营优化公司在客户群体上与合作伙伴具有竞争关系公司通过营销渠道获得的客户需求偏好与合作伙伴相似公司产品/服务性能与合作伙伴相似创业生存绩效公司目前有稳定的市场份额和收益0.8050.5970.816公司在遇到生存危机时能很好应对公司具有持续经营发展8年以上的可能性创业成长绩效公司的销售额与行业相比增长较快0.8030.5680.839公司的市场份额在逐年增长公司产品或服务开发速度与行业相比较快公司整体竞争力不断上升IT—业务战略匹配公司IT战略和业务战略能协调一致0.8530.6100.903公司IT规划决策和公司战略规划紧密相联公司业务战略和IT战略非常匹配
本文利用SPSS20.0和Mplus7.4软件进行信度与效度分析,结果如表2所示。首先,计算得到各变量的Cronbach's α系数均大于0.8,大于可接受门槛值;其次,计算组合信度CR和平均方差萃取量AVE以检验量表聚合效度,其中AVE反映变量对题目的平均解释力, CR最低值为0.816大于0.7,AVE最低值为0.517大于0.5,均大于阈值,说明聚合效度较高;最后,检验变量间区分效度。由表3可知,六因子模型拟合指数均达到适配标准且优于其它因子组合,各变量AVE平方根的值均大于该变量与其它变量的相关系数,表明量表具有较高的区分效度。
表3 验证性因子分析结果
Table 3 Results of confirmatory factor analysis
模型χ2dfχ2/dfCFITLIRMSEASRMR六因子(DC,CC,CA,PS,PG,SA)801.5543352.3930.9280.9180.0790.043五因子(DC,CC+CA,PS,PG,SA)981.0003402.8850.9000.8890.0940.048四因子(DC,CC+CA,PS+PG,SA)1 091.1833443.1720.8840.8720.1010.050三因子(DC+SA,CC+CA,PS+PG)1 683.8233474.8530.7920.7740.1350.070二因子(DC+SA,CC+CA+PS+PG)1 826.1443495.2330.7710.7520.1410.073单因子(DC+SA+CC+CA+PS+PG)3 461.0103579.6950.5180.4900.2030.089
注：DC代表大数据能力,CC代表互补性知识耦合,CA代表替代性知识耦合,PS代表创业生存绩效,PG代表创业成长绩效,SA代表IT-业务战略匹配
本文采用CFA和ULMC法检验共同方法偏差问题。与其它因子组合数据相比,若单因子模型的CFA拟合指数最低则证明共同方法偏差不严重。由表3可知,单因子模型适配度最低。参考Podsakoff等[39]的研究成果,本文在六因子模型的基础上增加一个共同方法因子,使共同方法因子在所有题项上的荷载值一致,通过拟合指数改善程度进行判断,计算得到六因子+方法因子的拟合指数如下：χ2/df=2.322,CFI=0.931,TLI=0.922,RMSEA=0.079,SRMR=0.041。与基准模型对比发现,CFI和TLI提高幅度分别为0.003、0.004,均小于0.1,RMSEA、SRMR下降幅度分别为0和0.002,均小于0.05,说明样本共同方法偏差不严重。各变量的方差膨胀因子VIF均小于5,表明多重共线性不会影响模型的有效性。
本文对所有变量进行描述性统计与相关性分析,结果如表4所示。核心变量间呈现出显著相关关系,大数据能力与互补性知识耦合、替代性知识耦合(β=0.313,p<0.01;β=0.508,p<0.01)正相关,互补性知识耦合与创业生存绩效(β=0.541,p<0.01)正相关,替代性知识耦合与创业成长绩效(β=0.267,p<0.01)正相关。由此证明,可以进行假设检验。
表4 描述性统计与相关性分析结果
Table 4 Descriptive statistics and correlation analysis results
变量1234561.大数据能力0.7192.互补性知识耦合0.313**0.7483.替代性知识耦合0.508**0.340**0.7464.创业生存绩效0.464**0.541**0.542**0.7735.创业成长绩效0.335**0.529**0.267**0.591**0.7546.IT-业务战略匹配-0.0290.166*0.0290.0610.198**0.781均值5.3855.4465.3655.0745.3285.007标准差0.6960.7740.7830.8440.8451.079
注：*代表p <0.05,**表示p <0.01;对角线数值为AVE平方根
本文采用层次回归法在仅包含控制变量的基准模型中加入核心解释变量进行回归分析,结果如表5和表6所示。表5列示了以新创企业创业绩效为因变量的回归结果,表6列示了以知识耦合为因变量的回归结果。
表5 创业绩效为因变量的回归分析结果
Table 5 Regression analysis of entrepreneurial performance as dependent variable
变量创业生存绩效模型1模型2模型3模型4创业成长绩效模型5模型6模型7模型8Size0.0680.0570.0180.0120.1200.1120.0630.111Year0.0370.0150.0580.047-0.046-0.062-0.016-0.059Industry-0.172*-0.164**-0.062-0.080-0.134-0.128*-0.028-0.120Nature0.0310.0220.0450.0390.0670.0470.0420.051DC0.457***0.327***0.331***0.185**CC0.352***0.421***0.121CC2-0.521***CA0.0480.516***0.536***R20.0400.2480.5400.3990.0330.1430.5380.460Adj_R20.0260.2330.5270.3840.0190.1260.5220.447F2.88517.06840.13927.2962.3958.61348.04835.081
注：*代表p <0.05,**表示p <0.01,***表示p< 0.001,下同
表6 知识耦合为因变量的回归分析结果
Table 6 Regression analysis of knowledge coupling as dependent variable
变量互补性知识耦合模型9模型10模型11替代性知识耦合模型12模型13模型14Size0.1140.1060.1000.0190.0070.004Year-0.062-0.077-0.0620.002-0.022-0.027Industry-0.204**-0.199**-0.135*-0.075-0.066-0.060Nature0.0860.0820.0770.0410.0330.030DC0.309***0.217**0.508***0.519***SA0.149*0.023DC×SA0.224**0.104*R20.0570.1520.2030.0780.2630.264Adj_R20.0430.1350.1800.0680.2490.243F4.1739.2488.7116.34218.47712.268
3.4.1 主效应与调节效应检验
模型2结果表明,大数据能力对创业生存绩效(β=0.457,p<0.001)具有显著正向影响;模型5结果表明,大数据能力对创业成长绩效(β=0.331,p<0.001)具有显著正向影响。由此,假设H1a、H1b得到支持。对比模型1与模型2发现,大数据能力的加入优化了创业生存绩效20.8%的拟合(ΔR2=0.208);对比模型4与模型5发现,大数据能力的加入优化了创业成长绩效11%的拟合(ΔR2=0.110)。由此可见,大数据能力对创业生存绩效的拟合效果更优,说明大数据能力在新创企业生存期间发挥整合协同与预测感知作用,对创业生存所需的市场认同等绩效指标影响显著。模型10结果表明,大数据能力对互补性知识耦合(β=0.309,p<0.001)具有显著正向影响;模型13结果表明,大数据能力对替代性知识耦合(β=0.508,p<0.001)具有显著正向影响。由此,假设H2a、H2b得到支持。通过模型对比发现,大数据能力对替代性知识耦合(ΔR2=0.185)的拟合效果优于互补性知识耦合(ΔR2=0.095),说明新创企业倾向于将大数据技术应用于较为熟悉的知识领域,进而突破现有创新门槛,构建替代性优势。模型3显示,互补性知识耦合(β=0.352,p<0.001)及其平方项(β=-0.521,p<0.001)对创业生存绩效的影响显著,说明互补性知识耦合与创业生存绩效呈倒U型关系,假设H3a得到支持。此外,替代性知识耦合对生存绩效的影响不显著(β=0.048,p=0.368)。模型7显示,替代性知识耦合对创业成长绩效的影响显著(β=0.516,p<0.001),假设H3b得到支持。此外,互补性知识耦合对成长绩效的影响不显著(β=0.121,p=0.147)。
模型11、模型14显示,IT-业务战略匹配对大数据能力与互补性知识耦合关系的正向调节作用显著(β=0.224,p<0.01),对大数据能力与替代性知识耦合关系的正向调节作用显著(β=0.104,p<0.05),故假设H5得到验证。为了揭示有调节的路径关系,参考Aiken&West(1991)的研究成果,以IT-业务战略匹配为基础按正负一个标准差将样本划分为高低两组,其交互作用如图2所示。由图2可知,高IT-业务战略匹配下新创企业大数据能力对知识耦合的效应量较高,由此验证正向调节作用显著的假设,且IT-业务战略匹配对互补性知识耦合的调节作用大于替代性知识耦合,原因可能在于互补性知识构成特质使新创企业需要将大数据技术与自身业务匹配以实现对互补性知识的探索式学习。
图2 IT-业务战略匹配调节效应
Fig.2 Moderating effect of IT-business strategic alignment
3.4.2 中介效应检验
根据前述假设及中介检验三步法,将大数据能力与互补性知识耦合同时纳入回归方程(见模型4),结果均正向显著,但大数据能力的回归系数由0.457降为0.327。由此表明,互补性知识耦合(β=0.421,p<0.001)在大数据能力与生存绩效间发挥中介作用,假设H4a获得支持。由此说明,创业生存阶段,借助大数据能力,新创企业能够通过整合已有知识与新技术领域知识提高创业生存概率。模型8将大数据能力和替代性知识耦合同时纳入回归方程,结果均正向显著,且大数据能力的回归系数由0.331降为0.185,表明替代性知识耦合(β=0.536,p<0.001)在大数据能力与成长绩效间发挥中介作用,假设H4b获得支持。由此说明,创业成长阶段,新创企业不再依赖于互补性知识耦合,而是依托大数据能力积极开展对已有知识基础的替代搜索,通过深耕专有业务领域逐步实现商业价值和创业成长。
为验证上述结论的可靠性,本文进一步通过Mplus偏差校正的Bootstrap置信区间进行稳健性检验,结果如表7所示。路径1的间接效应在95%置信度下的Bootstrap偏差校正置信区间为(0.051,0.173),区间未包含0且p值小于0.01,说明假设H4a成立。路径2的间接效应在95%置信度下的Bootstrap偏差校正置信区间为(0.158,0.314),区间未包含0且p值小于0.001,说明假设H4b成立。此外,路径3和路径4的置信区间分别为(-0.068,0.139)(-0.079,0.107),均包含0,中介效应不成立,与前文回归结论一致。
表7 Bootstrap中介路径检验结果
Table 7 Bootstrap mediation path verification
中介路径路径系数标准误95%置信区间检验结果路径1=DC→CC→PS0.104**0.031[0.051,0.173]成立路径2=DC→CA→PG0.227***0.039[0.158,0.314]成立路径3=DC→CC→PG0.0740.044[-0.068,0.139]不成立路径4=DC→CA→PS0.0080.048[-0.079,0.107]不成立
本文基于新创企业多时段、多来源实证调查数据,采用层次回归方法和结构方程模型探讨知识耦合驱动因素及作用效果,以及知识耦合视阈下大数据能力与新创企业生存与成长绩效关系机制,得到以下主要结论：
(1)大数据能力对新创企业生存绩效、成长绩效具有显著正向影响。本文再次证实大数据能力是创业活动的重要推动因素[40],管理者不再仅根据以往经验进行预判和决策,而是可以通过大数据分析获取消费者需求偏好,从而提高市场预估收益。
(2)互补性知识耦合与创业生存绩效呈倒U型关系,替代性知识耦合与创业成长绩效呈正相关关系。上述结论进一步明确了初创期企业需要整合新知识与自身知识基础以识别技术趋势和商业契机,也证实了成长期企业不能仅依赖于互补性知识,而是需要考虑消费者、供应商等利益相关者的核心需求,在专有业务领域深耕。
(3)互补性知识耦合在大数据能力与创业生存绩效间发挥部分中介作用,替代性知识耦合在大数据能力与创业成长绩效间发挥部分中介作用。新创企业可以利用大数据能力促使数据资源向知识资源转化,形成互补性知识与替代性知识的高阶耦合能力,从而实现创业生存与成长。
(4)IT与业务战略匹配能够正向调节大数据能力与知识耦合的关系。IT—业务战略匹配下,企业能够通过提升大数据应用与自身业务发展的契合度解决数据孤岛问题,对内构建关联信息系统,对外形成与利益相关者的资源网络链接,从而实现价值共创。
(1)本文考察大数据能力对创业生存绩效与创业成长绩效的影响,发现大数据能力对创业绩效具有积极影响,与成长绩效相比,其对生存绩效的正向影响更加显著。上述结论丰富了大数据能力对创业绩效的作用机制研究,也为进一步解答“IT悖论”提供了理论支撑。
(2)本文揭示了不同构型知识耦合在大数据能力与新创企业创业绩效间的中介机制。一方面,基于动态能力理论,探讨了大数据能力对知识耦合的作用机制。对互补性知识而言,大数据能力有助于新创企业对知识资源的识别和捕捉;对替代性知识而言,获取现有产品利基内的相近领域知识能够提升知识专业化水平和创新深度。另一方面,基于知识基础观理论,探讨了知识耦合对创业绩效的作用机制。结果发现,互补性知识耦合与创业生存绩效存在倒U型关系,替代性知识耦合有助于企业竞争力提升。
(3)本文揭示了IT—业务战略匹配在大数据能力与知识耦合间的调节作用,发现IT—业务战略匹配能够正向调节大数据能力与知识耦合的关系,且对互补性知识耦合的调节效力大于替代性知识耦合。上述结论进一步拓展了大数据能力与知识耦合关系研究边界。
(1)新创企业应重视数据资源,加强大数据能力培育。目前,大数据已成为新创企业价值创造的来源,企业可以依托大数据技术打通各业务单元间的信息传递渠道,从而推动研发与生产流程再造。新创企业需要对大数据技术、设施及人才进行有效管理,进而在海量数据中准确识别有价值的信息、优化研发作业流程,从而实现知识整合与重构。因此,管理者需要将大数据技术融入企业阶段性战略,从而提高大数据的针对性和商业价值。
(2)新创企业应充分发挥知识资源在创业活动中的主导作用,积极培育知识耦合能力。在大数据驱动创业活动过程中,管理者应认识到不同知识耦合类型对创业生存与成长的影响,充分发挥知识耦合的纽带作用。初创期,管理者应采取以互补性知识耦合为主的业务战略,借助互补性知识建立生存利基;成长期,管理者应制定以替代性知识耦合为主、互补性知识耦合为辅的业务战略,依托替代性知识对已有知识基础进行迭代,实现知识结构优化,进而推出符合市场预期的产品。
(3)新创企业应关注IT技术与业务战略匹配问题。初创期,管理者应重视大数据技术引进,根据大数据能力与自身业务的适配性,促进技术与业务融合;成长期,管理者应确立以业务为主,以大数据技术服务业务发展的战略理念,将大数据指标分解至业务部门,提高大数据技术服务预期。
(1)本文仅将大数据能力视为单维度概念进行研究,具有一定的局限性。大数据能力包括大数据资源整合、感知识别、预测分析与洞察等能力,后续可对大数据能力进行维度划分,进一步探究其整体及子维度间的关系。
(2)本文研究对象主要为发达地区科技型新创企业,研究结论的普适性有待提升,后续可以适当扩大问卷发放范围。
[1] 杨艳,王理,廖祖君.数据要素市场化配置与区域经济发展——基于数据交易平台的视角[J].社会科学研究,2021,43(6)：38-52.
[2] 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.
[3] 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.
[4] BRANDS K C M A. Big data and business intelligence for management accountants [J].Strategic Finance, 2014,95： 64-65.
[5] PASCHOU T, RAPACCINI M, ADRODEGARI F, et al. Digital servitization in manufacturing： a systematic literature review and research agenda [J].Industrial Marketing Management, 2020,89： 278-292.
[6] 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, 2022, 59(3)： 103287.
[7] YANG C, HUANG Q, LI Z, et al. Big Data and cloud computing： innovation opportunities and challenges [J].International Journal of Digital Earth, 2017, 10(1)： 13-53.
[8] 唐彬,卢艳秋,叶英平.大数据能力视角下平台企业知识创造模型研究[J].情报理论与实践,2020,43(7)：123-129.
[9] 张吉昌,龙静,陈锋.大数据能力、知识动态能力与商业模式创新——创新合法性的调节效应[J].经济与管理,2022,36(5)：19-28.
[10] YAYAVARAM S, CHEN W R. Changes in firm knowledge couplings and firm innovation performance： the moderating role of technological complexity [J].Strategic Management Journal, 2015, 36(3)： 377-396.
[11] CANER T, TYLER B B. The effects of knowledge depth and scope on the relationship between R &D alliances and new product development [J].Journal of Product Innovation Management, 2015, 32(5)： 808-824.
[12] GKYPALI A, FILIOU D, TSEKOURAS K. R&D collaborations： is diversity enhancing innovation performance[J].Technological Forecasting and Social Change, 2017,118： 143-152.
[13] CARLO J L, LYYTINEN K, ROSE G M. A knowledge-based model of radical innovation in small software firms [J].MIS Quarterly, 2012,36： 865-895.
[14] MIKALEF P, BOURA M, LEKAKOS G, et al. Big data 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.
[15] TEECE D J, PISANO G, SHUEN A. Dynamic capabilities and strategic management[J].Strategic Management Journal, 1997, 18(7)： 509-533.
[16] VIDGEN R, SHAW S, GRANT D B. Management challenges in creating value from business analytics [J].European Journal of Operational Research, 2017, 261(2)： 626-639.
[17] 李新春,梁强,宋丽红.外部关系—内部能力平衡与新创企业成长——基于创业者行为视角的实证研究[J].中国工业经济,2010,27(12)：97-107.
[18] CHRISMAN J J, BAUERSCHMIDT A, HOFERC W. The determinants of new venture performance： an extended model[J].Entrepreneurship Theory and Practice, 1998, 23(1)： 5-29.
[19] 申佳,李雪灵,马文杰.不同成长阶段下新企业关系强度与绩效研究[J].科研管理,2013,34(8)：115-122.
[20] 何会涛,袁勇志.海外人才创业双重网络嵌入及其交互对创业绩效的影响研究[J].管理学报,2018,15(1)：66-73.
[21] 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.
[22] HAGSTROM M. High-performance analytics fuels innovation and inclusive growth：Use big data, hyperconnectivity and speed to intelligence to get true value in the digital economy[J].Journal of Advanced Analytics,2012,2(3)：31-44.
[23] MENGUC B, AUH S, YANNOPOULOS P. Customer and supplier involvement in design： the moderating role of incremental and radical innovation capability [J].Journal of Product Innovation Management, 2014, 31(2)： 313-328.
[24] COLOMBELLI A, KRAFFT J, QUATRARO F. Properties of knowledge base and firm survival： evidence from a sample of French manufacturing firms [J].Technological Forecasting and Social Change, 2013, 80(8)： 1469-1483.
[25] 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.
[26] AGOSTINO M, DONATI C, TRIVIERI F. External knowledge flows and innovation capacity： the Italian service industries [J].International Review of Applied Economics, 2020, 34(3)： 342-360.
[27] RYOO S Y, KIM K K. The impact of knowledge complementarities on supply chain performance through knowledge exchange [J].Expert Systems with Applications, 2015, 42(6)： 3029-3040.
[28] XU S. Balancing the two knowledge dimensions in innovation efforts： an empirical examination among pharmaceutical firms [J].Journal of Product Innovation Management, 2015, 32(4)： 610-621.
[29] TANRIVERDI H, VENKATRAMAN N. Knowledge relatedness and the performance of multibusiness firms [J].Strategic Management Journal, 2005, 26(2)： 97-119.
[30] 姚艳虹,张翠平.知识域耦合、知识创新能力与企业创新绩效——环境不确定性和战略柔性的调节作用[J].科技进步与对策,2019,36(23)：76-84.
[31] 于飞,刘明霞,王凌峰,等.知识耦合对制造企业绿色创新的影响机理——冗余资源的调节作用[J].南开管理评论,2019,22(3)：54-65,76.
[32] 易法敏,朱洁.ICT赋能的扶贫平台商业模式创新[J].管理评论,2019,31(7)：123-132.
[33] REICH B H, BENBASAT I. Factors that influence the social dimension of alignment between business and information technology objectives [J].MIS Quarterly, 2000,24： 81-113.
[34] KROH J, LUETJEN H, GLOBOCNIK D, et al. Use and efficacy of information technology in innovation processes： the specific role of servitization [J].Journal of Product Innovation Management, 2018, 35(5)： 720-741.
[35] LIANG H, WANG N, XUE Y, et al. Unraveling the alignment paradox： how does business—IT alignment shape organizational agility[J].Information Systems Research, 2017, 28(4)： 863-879.
[36] 何会涛,袁勇志.双维市场导向、本地网络嵌入与海外人才在华创业绩效研究[J].科技进步与对策,2019,36(1)：105-114.
[37] GERSCHEWSKI S, XIAO S S. Beyond financial indicators： an assessment of the measurement of performance for international new ventures [J].International Business Review, 2015, 24(4)： 615-629.
[38] KARAHANNA E, PRESTON D S. The effect of social capital of the relationship between the CIO and top management team on firm performance [J].Journal of Management Information Systems, 2013, 30(1)： 15-56.
[39] PODSAKOFF P M, MACKENZIE S B, LEE J Y, et al. Common method biases in behavioral research： a critical review of the literature and recommended remedies [J].Journal of Applied Psychology, 2003, 88(5)： 879.
[40] STEININGER D M. Linking information systems and entrepreneurship： a review and agenda for IT-associated and digital entrepreneurship research [J].Information Systems Journal, 2019, 29(2)： 363-407.